Parser SAX – Invalid Byte 1 of 1-Byte UTF-8 Sequence

Parser SAX không thể phân tích cú pháp XML UTF-8 ?

Ngày xưa, parser XML JDK Apache Xerces được tích hợp sẵn sẽ thông báo lỗi Invalid byte 1 of 1-byte UTF-8 sequence nếu chúng ta cố gắng phân tích cú pháp tệp XML có chứa các ký tự UTF-8.

Ví dụ, một tệp XML chứa một ký hiệu đặc biệt và hai ký tự Trung Quốc.

<?xml version="1.0"?>
<company>
    <staff>
        <firstname>sharecs</firstname>
        <lastname>木金</lastname>
        <nickname>§</nickname>
        <salary>100000</salary>
    </staff>
</company>

Và chúng ta sử dụng Parser SAX để xử lý tệp XML ở trên.

SAXParserFactory factory = SAXParserFactory.newInstance();

  try {

      SAXParser saxParser = factory.newSAXParser();

      PrintAllHandlerSax handler = new PrintAllHandlerSax();
      saxParser.parse("c://test//staff.xml", handler);

  } catch (ParserConfigurationException | SAXException | IOException e) {
      e.printStackTrace();
  }

Kết quả:

com.sun.org.apache.xerces.internal.impl.io.MalformedByteSequenceException:
  Invalid byte 1 of 1-byte UTF-8 sequence.

Mã hóa ký tự trong XML

Nếu tệp XML bị thiếu mã hóa, trình phân tích cú pháp sẽ mặc định thành UTF-8.

<?xml version="1.0"?>
<company>
    <staff>
        <firstname>sharecs</firstname>
        <lastname>木金</lastname>
        <nickname>§</nickname>
        <salary>100000</salary>
    </staff>
</company>

Cách tốt nhất là xác định mã hóa ký tự cho tệp XML.

<?xml version="1.0" encoding="utf-8"?>
<company>
    <staff>
        <firstname>sharecs</firstname>
        <lastname>木金</lastname>
        <nickname>§</nickname>
        <salary>100000</salary>
    </staff>
</company>

Mã hóa ký tự trong mã nguồn

Mã hóa ký tự không chính xác sẽ gây ra Invalid byte 1 of 1-byte UTF-8 sequence. Ví dụ: chúng ta đọc dữ liệu XML bằng UTF-8, nhưng nó là kiểu mã hóa khác ISO_8859_1.

Để khắc phục, chúng ta có thể xác định mã hóa ký tự cho Parser SAX.

package com.sharecs.xml.sax;

import com.sharecs.xml.sax.handler.PrintAllHandlerSax;
import org.xml.sax.InputSource;
import org.xml.sax.SAXException;
import org.xml.sax.XMLReader;

import javax.xml.parsers.ParserConfigurationException;
import javax.xml.parsers.SAXParser;
import javax.xml.parsers.SAXParserFactory;
import java.io.IOException;
import java.nio.charset.StandardCharsets;

public class ReadXmlSaxParser {

  //private static final String FILENAME = "src/main/resources/staff.xml";
  private static final String FILENAME = "c://test//staff.xml";

  public static void main(String[] args) {

      SAXParserFactory factory = SAXParserFactory.newInstance();

      try {

          SAXParser saxParser = factory.newSAXParser();

          PrintAllHandlerSax handler = new PrintAllHandlerSax();
          //saxParser.parse(FILENAME, handler);

          XMLReader xmlReader = saxParser.getXMLReader();
          xmlReader.setContentHandler(handler);

          InputSource source = new InputSource(FILENAME);

          // different encoding
          source.setEncoding(StandardCharsets.UTF_8.displayName());

          xmlReader.parse(source);

      } catch (ParserConfigurationException | SAXException | IOException e) {
          e.printStackTrace();
      }

  }

}

Cảm ơn các bạn đã ghé thăm. Chúc các bạn thành công!