Java 读取XML文件返回错误的字符

我有一个包含数千个标记的XML文件，可以读取它们的文本内容，如下面的屏幕截图所示：

我正在尝试使用以下代码读取所有“word”标记的文本内容：

String filePath = "...";
File xmlFile = new File( filePath );

DocumentBuilderFactory dbf = DocumentBuilderFactory.newInstance();
DocumentBuilder db = dbf.newDocumentBuilder();
Document domObject = db.parse( xmlFile );
domObject.getDocumentElement().normalize();
NodeList categoryNodes = domObject.getElementsByTagName( "category" );   // Get all the <category> nodes.

for (int s = 0; s < categoryNodes.getLength(); s++) {    //Loop on the <category> nodes.
    String categoryName = categoryNodes.item(s).getAttributes().getNamedItem( "name" ).getNodeValue(); 

    if( selectedCategoryName.equals( categoryName ) ) {  //get its words.
        NodeList wordsNodes = categoryNodes.item(s).getChildNodes();

        for( int i = 0; i < wordsNodes.getLength(); i++ ) {
            if( wordsNodes.item( i ).getNodeType() != Node.ELEMENT_NODE ) continue;
            String word = wordsNodes.item( i ).getTextContent();
            categoryWordsList.add( word );  // Some words are read wrong !!
        }

        break;
    }
}

String filePath=“…”；
文件xmlFile=新文件（文件路径）；
DocumentBuilderFactory dbf=DocumentBuilderFactory.newInstance（）；
DocumentBuilder db=dbf.newDocumentBuilder（）；
文档domObject=db.parse（xmlFile）；
domObject.getDocumentElement（）.normalize（）；
NodeList categoryNodes=domObject.getElementsByTagName（“类别”）；//获取所有节点。
对于节点上的（int s=0；s

但由于某些原因，许多单词被误读，例如：

"AMK6780KBU" is read as "9826</word"

"ASSI.ABR30326" is read as "rd>ASSI.AEP26"

"ASSI.25066" is read as "SI.4268</6"

“AMK6780KBU”读作“9826ASSI.AEP26”
“ASSI.25066”被理解为“SI.4268我们注意到
getTextContent（）
在某些Windows实现中存在缺陷

我们的解决办法是这样做

            // getTextContent is buggy on some Java Windows Implementations
            if ( n.getNodeType(  ) == Node.ELEMENT_NODE ) {

                results [ i ] = (String) xPathFunction.evaluate( "./text()", n, XPathConstants.STRING );
            } else {  //Node.TEXT_NODE

                results [ i ] = n.getNodeValue(  );
            }

xPathFunction
是一个
javax.xml.xpath.xpath
。价格昂贵，但工作可靠

实际上，在你的例子中，我会直接使用XPath并调用

NodeList l=（NodeList）xPathFunction.evaluate（“/categories/category/word/text（）”，domObject，XPathConstants.NODESET）

编辑

太棒了！在OSX、Java 1.6.0_43上，我得到了相同的行为。如果有人怀疑DOM模型在Java中有缺陷……错误的值似乎在一定的时间间隔内可靠地出现，这看起来像是一些字节缓冲区溢出。我从未收到OOM错误

以下是我尝试过但未成功的方法：


word.getFirstChild（）.getNodeValue（）；
而不是
word.getTextContent（）；
->行为没有变化
使用
InputSource
作为
DocumentBuilder
的输入，而不是使用
文件
运行
XPath
（“/categories/category[@name='Category1']/word/text（）”），而不是在节点上循环并手动遍历其子节点
使用Saxon作为XPath引擎运行相同的测试
检查XML文件中的“奇怪”字符

我相信
DocumentBuilder
是罪魁祸首。它是一个内存消耗者

您的下一个最佳机会是使用SAX解析器或任何其他流式解析器。由于您的数据模型小且非常简单，因此实现应该很容易。为了进一步简化实现，您可以尝试。我们使用稍微修改的版本成功解析千兆字节大小的XML文件

如果您发现问题，请更新此帖子。
解决方案

见下文：-）

我在这个过程中尝试了什么

将XML版本从
1.1->1.0
中更改，解决了我的问题。我正在使用Java
1.6.0_33
（正如@orique在评论中指出的）

在我的测试中，一定数量的节点后肯定会出现损坏问题。我将其缩小到
ASSI.MTK69609
附近。删除所有内容，包括该行，修复了前面单词的损坏

通过简单地将声明更改为：

<?xml version="1.0">

产生所需的输出和输出

    <word>ASSI.MTK68490</word>
    <word>ASSI.MTK6862617</word>
    <word>ASSI.MTK693115</word>
    <word>ASSI.MTK69609</word>

有一种预感，我下载了最新版本的Xerces2 Java 2.11.0

只需使用最新版本运行即可获得预期的未损坏输出

java -classpath .;xercesImpl.jar;xml-apis.jar Foo > foo.txt

Header说文件是UTF-8格式的，是真的吗？是的，有问题吗？我用Firefox打开了XML，它抱怨XML声明格式不好。它抱怨
1.1
版本。也许你的解析器对1.1 XML文件也有一些问题？还有，我用新的过去更新了帖子ebin链接，这里是XML链接：适用于jdk 1.7和windows 7上的捆绑xerces。您尝试过使用最新版本吗？谢谢。您能告诉我有关此解决方案的更多详细信息吗？我真的不明白！使用
xPathFactory=xPathFactory.newInstance（）；XPath XPath xPathFunction=xPathFactory.newXPath（）获取
XPath
然后运行上面的
评估
；或者简单地将
wordsNodes.item（i）.getTextContent（）替换为
wordsNodes.item（i）.getNodeValue（）；
在代码中；如果
wordNodes
都是
Node.TEXT\u Node
否，getNodeValue（）类型，那么它可能会起作用始终为我返回null。我的所有节点的类型都是Node.ELEMENT\u Node。然后，您需要获取此ELEMENT\u节点中的文本节点并调用getNodeValue或如上所述使用xPath调用
（String）xPathFunction。求值（“./Text（）”，n，XPathConstants.String）；
。老实说，您应该使用XPath解决方案，您将在一行调用中替换嵌套的循环和ifs，然后是一个简单的循环，使代码看起来更可读。我使用了：String word=wordsNodes.item（I）.getFirstChild（）.getNodeValue（）；…结果完全一样！太好了。感谢您为此付出的努力。我检查了为什么我们没有这个问题：我们在认可的libs中有一个最新版本的xercesImpl.jar…andyb..当我再次尝试将版本更改为1.0时，我发现它正在工作。我向“orique”道歉“为了这个。我第一次测试这个的时候好像做错了什么。根据你的解释
    <word>ASSI.MTK693115</word><word>ASSI.MTK69609</word>

Document domObject = db.parse( xmlFile );
domObject.normalizeDocument(); // <-- causes following Exception

Exception in thread "main" java.lang.NullPointerException
    at com.sun.org.apache.xerces.internal.util.XML11Char.isXML11ValidNCName(XML11Char.java:340)

java -classpath .;xercesImpl.jar;xml-apis.jar Foo > foo.txt