JAXB 阻塞在 UTF-16 XML 上

问题描述

我的项目使用 JAXB 解析来自各种来源的 XML。这适用于大多数来源，但我无法解析来自一个特定来源的文档。我能找到的唯一区别是，违规文档报告其编码为 UTF-16，而据我所知，其他文档则为 UTF-8。

代码如下：

InputStream inputStream = new FileInputStream(inputFile);
DocumentBuilderFactory dbf = DocumentBuilderFactory.newInstance();
dbf.setNamespaceAware(true);
DocumentBuilder db = dbf.newDocumentBuilder();
Document doc = db.parse(inputStream);

这会引发以下异常：

[Fatal error] :1:40: Content is not allowed in prolog.
org.xml.sax.SAXParseException; lineNumber: 1; columnNumber: 40; Content is not allowed in prolog.
    at com.sun.org.apache.xerces.internal.parsers.DOMParser.parse(DOMParser.java:257)
    at com.sun.org.apache.xerces.internal.jaxp.DocumentBuilderImpl.parse(DocumentBuilderImpl.java:339)
    at javax.xml.parsers.DocumentBuilder.parse(DocumentBuilder.java:121)
    at ... (my code)

违规文档以

开头

<?xml version="1.0" encoding="UTF-16"?>

直接跟在根元素的开始标记之后。我用十六进制编辑器检查了文件；在开始标记之前没有其他字符（甚至没有 BOM 或任何非打印字符）。

如果我将 encoding 属性更改为 UTF-8，代码会运行超过该点（尽管它会在更进一步的地方抛出一个无关的异常）。

JAXB 是否与 UTF-16 不兼容？或者还有什么问题？

解决方法

在文档上运行 xmlstarlet fo 产生以下错误：

/path/to/document.xml:1.38: Document labelled UTF-16 but has UTF-8 content

总而言之，带有错误消息的 org.xml.sax.SAXParseException Content is not allowed in prolog 是相当不具体的，在某些情况下具有误导性。

虽然通常表示在根元素之前遇到了非法的额外字符（包括非打印字符），但它也可能表示完全不同的东西——例如指定编码不匹配的 XML 序言实际编码。

jaxb jaxb jaxb jaxb utf utf