Sax解析和编码

Question

我有一个联系人在解析RSS和Atom文件时遇到SAX问题.根据他的说法,就好像来自Item元素的文本被截断为撇号或有时是重音字符.编码似乎也有问题.

我已经尝试过SAX了,我也有一些截断,但是还没有进一步挖掘.如果有人在此之前解决了这个问题,我会很感激.

这是在ContentHandler中使用的代码:

public void characters( char[], int start, int end ) throws SAXException {
//
    link = new String(ch, start, end);

编辑:编码问题可能是由于将信息存储在字节数组中,因为我知道Java在Unicode中工作.

Answer 1

不保证characters()方法在一次传递中为您提供文本元素的完整字符内容 - 全文可能跨越缓冲区边界.您需要在开始和结束元素事件之间自己缓冲字符.

例如

StringBuilder builder;

public void startElement(String uri, String localName, String qName, Attributes atts) {
   builder = new StringBuilder();
}

public void characters(char[] ch, int start, int length) {
   builder.append(ch,start,length);
}

public void endElement(String uri, String localName, String qName) {
  String theFullText = builder.toString();
}

Answer 2

XML实体在SAX中生成特殊事件.您可以使用LexicalHandler捕获它们,但通常没有必要.但这解释了为什么不能假设每个标签只能收到一个字符事件.使用缓冲区,如其他答案中所述.

例如,hello&world将生成序列

• 的startElement
• 你好
• startEntity
• 人物和
• endEntity
• 人物世界

如果您想要更多示例,请查看Auxialiary SAX界面.其他特殊事件是外部实体,评论,CDATA等.