使用Java中的Apache POI将16位字符写入.xlsx文件

Question

我在Apache POI中遇到了问题。 问题是，我尝试将16位字符值（例如CJK Unified Ideographs Extension B）放到.xlsx文件中。 但是，单元格值在生成的.xlsx文件中成为问号（如????）。

任何人都知道如何使用.xlsx格式处理Apache POI中的16位字符值???

我的POI版本是3.14

代码示例如下：

XSSFWorkbook workbook = new XSSFWorkbook();
XSSFSheet sheet = workbook.createSheet("Test");

XSSFRow row1 = sheet.createRow(0);
XSSFCell r1c1 = row1.createCell(0);
r1c1.setCellValue("𤆕𤆕𤆕"); // value of CJK Unified Ideographs Extension B
XSSFCell r1c2 = row1.createCell(1);

FileOutputStream fos =new FileOutputStream("D:/temp/test.xlsx");
workbook.write(fos);
fos.close();

谢谢！

Answer 1

问题存在。 但不是从0x0000到0xFFFF 16位（2字节）Unicode字符。 它的字符在Unicode编码中需要超过2个字节。 这些是在Java字符中作为Unicode code points提到的字符 ：“Unicode代码点用于U + 0000和U + 10FFFF之间范围内的字符值，Unicode代码单元用于16位字符值，即UTF-16编码的代码单元。“ Java平台在char数组和String和StringBuffer类中使用UTF-16表示。 在此表示中，补充字符（代码点大于U + FFFF的字符）表示为一对char值，第一个来自高代理范围，（\\ uD800- \\ uDBFF），第二个来自低 - 代理范围（\\ uDC00- \\ uDFFF）。

问题出在org.apache.xmlbeans.impl.store.Saver 。 这适用于private char[] _buf 。 但由于char max值为0xFFFF ，因此从0x10000到0x10FFFF Unicode代码点无法存储在char 。 因此，将存储为一对char值。

有一种方法

    /**
     * Test if a character is valid in xml character content. See
     * http://www.w3.org/TR/REC-xml#NT-Char
     */

    private boolean isBadChar ( char ch )
    {
        return ! (
            (ch >= 0x20 && ch <= 0xD7FF ) ||
            (ch >= 0xE000 && ch <= 0xFFFD) ||
            (ch >= 0x10000 && ch <= 0x10FFFF) ||
            (ch == 0x9) || (ch == 0xA) || (ch == 0xD)
            );
    }

该代码完全错误，因为它检查char是否在0x10000和0x10FFFF之间。 如上所述，这根本不可能。

此外，它排除了高代理范围（\\ uD800- \\ uDBFF）和低代理范围（\\ uDC00- \\ uDFFF）作为坏字符。 因此，将排除作为一对char值的代码点表示。

因此问题是由org.apache.xmlbeans.impl.store.Saver的错误引起的。

---

补丁：

目标：不排除高代理范围（\\ uD800- \\ uDBFF）和低代理范围（\\ uDC00- \\ uDFFF），作为坏字符。 因此，在XML不会排除存储为两个16位chars U + 10000以上的Unicode代码点。

下载Saver.java 。 将private boolean isBadChar ( char ch )更改为

    /**
     * Test if a character is valid in xml character content. See
     * http://www.w3.org/TR/REC-xml#NT-Char
     */
    private boolean isBadChar ( char ch )
    {
        return ! (
            (ch >= 0x20 && ch <= 0xFFFD ) ||
            (ch == 0x9) || (ch == 0xA) || (ch == 0xD)
            );
    }

在static final class OptimizedForSpeedSaver和static final class TextSaver 。

编译Saver.java 。

在类路径之外的某处存储xmlbeans-2.6.0.jar的备份。

使用新的Saver$TextSaver.class替换Saver$TextSaver.class Saver$OptimizedForSpeedSaver.class和Saver$TextSaver.class在xmlbeans-2.6.0.jar - > /org/apache/xmlbeans/impl/store/ 。

现在，U + 10000以上的Unicode代码点将存储在sharedStrings.xml 。

---

免责声明：这未经过充分测试。 所以不要在生产中使用它。 这里仅显示描述问题。 也许xmlbeans.apache.org上的一些程序员会找到时间来正确解决org.apache.xmlbeans.impl.store.Saver的问题。

---

更新现在有一个xmlbeans-2.6.2.jar可用。 这已包含补丁。

---

更新现在有一个xmlbeans-3.0.0.jar可用。 这也包含补丁。

它确实：

/**
 * Test if a character is valid in xml character content. See
 * http://www.w3.org/TR/REC-xml#NT-Char
 */
static boolean isBadChar ( char ch )
{
    return ! (
        Character.isHighSurrogate(ch) ||
        Character.isLowSurrogate(ch) ||
        (ch >= 0x20 && ch <= 0xD7FF ) ||
        (ch >= 0xE000 && ch <= 0xFFFD) ||
        (ch >= 0x10000 && ch <= 0x10FFFF) ||
        (ch == 0x9) || (ch == 0xA) || (ch == 0xD)
    );
}

因此它检查char ch是HighSurrogate还是LowSurrogate ，如果是，它不是一个坏char。 好。

但是它会检查char ch是否大于或等于0x10000 。 再说一次：这对于char是不可能的！ char的最大值是0xFFFF 。