Сохранение кодовых точек Юникода между преобразованиями ISO-8859-1 в UTF-8 в XML в Java

Обратите внимание, что это не тот вопрос, который упоминался выше, поскольку возможен выход XML для сохранения кодовых точек.

У меня есть XML-файл UTF-8, который я могу отправить через HTTP в другую систему, которую я не могу контролировать. По какой-то безумной причине он решает преобразовать его в ISO-8859-1, потеряв много символов Юникода и заменив их символом "?". Затем эта система отправляет кому-то еще этот преобразованный XML-документ.

Как в Java на отправляющей стороне я могу избежать любого произвольного XML с кодовыми точками, отличными от ASCII, чтобы они выдержали эту промежуточную систему и все еще могли правильно декодироваться конечной точкой?

A -(UTF-8)-> B -(ISO-8859-1)-> C (декодирование во внутреннее представление Unicode).

import java.text.Normalizer;
import java.text.Normalizer.Form;

import org.apache.commons.lang3.StringEscapeUtils;
import org.apache.commons.lang3.text.translate.CharSequenceTranslator;
import org.apache.commons.lang3.text.translate.NumericEntityEscaper;

public class Test {
    private static CharSequenceTranslator translator = StringEscapeUtils.ESCAPE_XML
            .with(NumericEntityEscaper.between(0x7f, Integer.MAX_VALUE));

    public static void main(String[] args) {
        String s = "<note>\n<to>Tove</to>\n<from>Jani</from>\n<heading>Reminder</heading>\n<body>Don't forget me this weekend!test☠ä</body>\n</note>";
        String xmlEscapedS = xmlToRobustXml(s);
        System.out.println(xmlEscapedS);
    }

    /**
     * @param s
     * @return
     */
    public static String xmlToRobustXml(String s) {
        s = Normalizer.normalize(s, Form.NFC);
        String xmlEscapedS = translator.translate(s);
        return xmlEscapedS;
    }
}

Я попробовал это, но это ускользает от всего.

&lt;note&gt;
&lt;to&gt;Tove&lt;/to&gt;
&lt;from&gt;Jani&lt;/from&gt;
&lt;heading&gt;Reminder&lt;/heading&gt;
&lt;body&gt;Don&apos;t forget me this weekend!test&#9760;&#228;&lt;/body&gt;
&lt;/note&gt;
Источник

2 ответа

Решение

Вот три стандартных метода API для создания документов в кодировке ISO-8859-1.

Использование StAX API:

// output stream
ByteArrayOutputStream buffer = new ByteArrayOutputStream();
// transcode
StringReader xml = new StringReader("<x>pi: \u03A0</x>");
XMLEventReader reader = XMLInputFactory.newFactory().createXMLEventReader(
    xml);
XMLEventWriter writer = XMLOutputFactory.newFactory().createXMLEventWriter(
    buffer, "ISO-8859-1");
try {
  writer.add(reader);
} finally {
  writer.close();
}
// proof
String decoded = new String(buffer.toByteArray(),
    Charset.forName("ISO-8859-1"));
System.out.println(decoded);

Использование DOM API:

// output stream
ByteArrayOutputStream buffer = new ByteArrayOutputStream();
// create XML DOM
InputSource src = new InputSource(new StringReader("<x>pi: \u03A0</x>"));
Document doc = DocumentBuilderFactory.newInstance()
    .newDocumentBuilder()
    .parse(src);
// serialize
DOMImplementationLS impl = (DOMImplementationLS) doc.getImplementation();
LSOutput out = impl.createLSOutput();
out.setEncoding("ISO-8859-1");
out.setByteStream(buffer);
impl.createLSSerializer().write(doc, out);
// proof
String decoded = new String(buffer.toByteArray(),
    Charset.forName("ISO-8859-1"));
System.out.println(decoded);

Использование пакета transform:

// output stream
ByteArrayOutputStream buffer = new ByteArrayOutputStream();
// transformation
StreamSource src = new StreamSource(new StringReader("<x>pi: \u03A0</x>"));
StreamResult res = new StreamResult(buffer);
Transformer transformer = TransformerFactory.newInstance().newTransformer();
transformer.setOutputProperty(OutputKeys.ENCODING, "ISO-8859-1");
transformer.transform(src, res);
// proof
String decoded = new String(buffer.toByteArray(),
    Charset.forName("ISO-8859-1"));
System.out.println(decoded);

Какой вы будете использовать, зависит от вашего варианта использования; StAX API, вероятно, самый эффективный.

Весь этот пример кода будет выдавать документы, эквивалентные:

<?xml version="1.0"?><x>pi: &#x3a0;</x>
Источник

Кодовые точки Unicode выше 127 могут быть закодированы как числовые объекты, такие как &#123; используя следующее:

Из Apache Commons StringEscapeUtils. Прочитайте Javadoc, по умолчанию escapeXML не конвертируется в числовые объекты.

StringEscapeUtils.ESCAPE_XML
    .with(NumericEntityEscaper.between(0x7f, Integer.MAX_VALUE));

Кстати, вы также пытаетесь отправить оригинальный XML с помощью заголовка Content-Type: application/x-xmlИтак, бинарный перевод.

Источник
Другие вопросы по тегам