Powershell xml 解析打乱了编码

Question

我有这个非常简单的脚本：

$rssUrl = "https://elpais.com/rss/elpais/portada.xml"
$FeedXml = [xml](Invoke-WebRequest $rssUrl)

此时如果我调用 $FeedXml.Save() 提要中的所有重音符号和特殊字符都乱七八糟，就好像编码错误一样。

例如：

Un periodista que viaj?? a Mil??n para
should be:
Un periodista que viajó a Milán para

但是 (Invoke-WebRequest $rssUrl).Content 产生了正确的输出。

我目前已经这样做了：

$FeedXml = New-Object xml
$resolver = New-Object -TypeName System.Xml.XmlUrlResolver
$resolver.Credentials = [System.Net.CredentialCache]::DefaultCredentials

$reader = New-Object -TypeName System.Xml.XmlReaderSettings
$reader.XmlResolver = $resolver
$reader = [System.Xml.XmlReader]::Create($rssUrl, $reader)

$FeedXml.Load($reader)

在那种情况下 $FeedXml.Save() 产生预期的输出。

我完全无法理解为什么第一个代码（应该是“正确的方式”）不起作用？

Answer 1

所以看起来问题是，当 PowerShell 将 Invoke-WebRequest $rssUrl 的结果转换为 xml 文档时，它使用 [System.Text.Encoding]::ASCII 将原始字节流转换为字符串，并且在你的情况下，根据 http 请求中的 headers 实际上是一个 utf8 字节流。

PS> $rssUrl = "https://elpais.com/rss/elpais/portada.xml"

PS> $response = Invoke-WebRequest $rssUrl

PS> $response.GetType().FullName
Microsoft.PowerShell.Commands.BasicHtmlWebResponseObject

PS> $response.Headers["Content-Type"]
text/xml; charset=utf-8

这是 BasicHtmlWebResponseObject 的来源：https://github.com/PowerShell/PowerShell/blob/master/src/Microsoft.PowerShell.Commands.Utility/commands/utility/WebCmdlet/Common/BasicHtmlWebResponseObject.Common.cs

您可以看到它继承自 WebResponseObject，其 ToString 方法位于此处：https://github.com/PowerShell/PowerShell/blob/658837323599ab1c7a81fe66fcd43f7420e4402b/src/Microsoft.PowerShell.Commands.Utility/commands/utility/WebCmdlet/Common/WebResponseObject.Common.cs#L88

/// <summary>
/// Returns the string representation of this web response.
/// </summary>
/// <returns>The string representation of this web response.</returns>
public sealed override string ToString()
{
    char[] stringContent = System.Text.Encoding.ASCII.GetChars(Content);
    //                     ^^^^^^^^^^^^^^^^^^^^^^^^^^
    for (int counter = 0; counter < stringContent.Length; counter++)
    {
        if (!IsPrintable(stringContent[counter]))
        {
            stringContent[counter] = '.';
        }
    }
    return new string(stringContent);
}

另一方面，(Invoke-WebRequest $rssUrl).Content 是一个已使用 System.Text.Encoding.UTF8 正确解码的字符串，因此它保留了重音字符。

简而言之，最好使用已经是字符串的 (Invoke-WebRequest $rssUrl).Content，而不是仅使用 Invoke-WebRequest $rssUrl.

隐式转换为字符串。

Powershell xml 解析打乱了编码

Powershell xml parsing messes up the encoding

xml

powershell

powershell-core