Apache Camel 处理 XML-File 中声明的编码

Question

我正在尝试使用带有 xtokenize 的 Apache Camel Splitter 解析 UTF-16 编码的文档，这委托给 Woodstox (com.ctc.wstx.sr.BasicStreamReader)，而且我在读取文件之前无法知道文件的编码，目前一些文件是 UTF-16，其他文件是 UTF-8:

.split().xtokenize(getToken(), 'w', NAMESPACES)

我遇到的问题是 Camel 告诉 Woodstox 使用哪种编码：

String charset = IOHelper.getCharsetName(exchange);

它将默认的 UTF-8 设置为编码，因此 BasicStreamReader 尝试将 BOM 字节读取为 UTF-8，但失败并显示

com.ctc.wstx.exc.WstxUnexpectedCharException: Unexpected character '�' (code 65533 / 0xfffd) in prolog; expected '<'

如 https://www.w3.org/TR/xml/#sec-guessing 中所述 XML 解析器 (Woodstox) 应该能够自动检测文件编码，如果只有 Camel 让其完成工作的话。

有没有办法不自己实现编码检测？

Answer 1

好的，我可以看到当前源代码将回退并使用平台编码。因此，不支持使用 XML 节中提供的编码的用例。

我不确定 Camel 是否真的需要回退到默认平台编码，因为它在拆分器中使用 java.util.Scanner，并且它支持不使用特定编码的扫描。

也许您可以尝试在 XMLTokenExpressionIterator 中修补源代码并在本地为您测试，并在此报告。

然后我们可能会看看在 Apache Camel 中是否使用回退编码是可选的。

并且在您当前的 Apache Camel 版本中，您始终可以扩展 XMLTokenExpressionIterator 并覆盖 doEvaluate 方法，然后在不使用字符集参数的情况下调用 createIterator 方法。然后将您的自定义迭代器与 Camel 拆分器一起使用。

Answer 2

创建了 Camel JIRA 票证： https://issues.apache.org/jira/browse/CAMEL-11846 从我的评论中，您可以看到没有简单的解决方案可以在事先不知道它是 UTF-16 的情况下将 UTF-16 XML 与 Camel 分开。

虽然子类化 XMLTokenExpressionIterator（它是一个 ExpressionAdapter）并首先切换到 InputStream 是可行的，但还有其他几个地方使用 xslt 和 xpath 并转换为 StaxSource 时会因同样的原因而中断。

作为一种解决方法，我认为让 XmlStreamReader 提前找出编码（发生在初始化时）并设置 Exchange.CHARSET_NAME header 或属性.

会更容易

Apache Camel 处理 XML-File 中声明的编码

Apache Camel to handle encoding declared in XML-File

java

apache-camel

xml-encoding

xml-parsing