charset和rome（rss / atom feed）的问题

Question

我正在尝试使用rome （1.0）创建一个feed聚合器。 一切正常，但我遇到饲料字符集的问题。 我正在使用java 1.6在mac os x（netbeans 6.9.1）上开发它。

我正在使用以下代码来检索Feed：

InputStream is = new URL(_source).openConnection().getInputStream();
SyndFeed feed = (SyndFeed) input.build(new InputStreamReader(is, Charset.forName(_charset)));

其中_source是RSS源（如http://rss.cnn.com/rss/edition.rss ）和_charset是UTF-8或ISO-8859-1。

它有效，但有些网站有拉丁字符（如葡萄牙语）它甚至不使用两种编码。

例如，从http://oglobo.globo.com/rss/plantaopais.xml读取的源将始终返回虚拟字符，如下所示：

Secret riodeS oPaulo （UTF-8）
秘鲁圣保罗（ISO-8859-1）

为什么？ 我错过了什么吗？

如果我尝试使用像UTF-16这样的东西，罗马会抛出一个错误：com.sun.syndication.io.ParsingFeedException：无效的XML：第1行的错误：prolog中不允许使用内容。

我尝试过其他编码，比如US-ASCII，没有幸运...

另一个问题：罗马是处理Feed的最佳解决方案（使用java）？ 来自罗马的最新版本是从2009年开始的1.0版本。似乎已经死了......

TIA，

短发

Answer 1

我不知道罗马 （你可以在你的问题中加上一个链接）。 ISO-8859-1应该是用于链接的Feed的正确编码。 但是你的库是否支持将InputStream作为源（因此它本身会通过XML前导码查找正确的编码）？

可能是在程序输出处理之后输出会出现乱码吗？ 你能写吗？

System.out.println("S\u00e3o Paulo");

在你的程序中并报告其输出？ （如果您的Java +控制台组合配置正确，它应该是“圣保罗”。）

---

所以，我现在下载并编译了罗马（由Maven下载其他东西花了半个小时），我可以重现这个问题。 看起来像读取器的build方法有问题。

这是一个有效的变体（如果罗马，jdom和xerces在类路径中）：

package de.fencing_game.paul.examples.rome;

import org.xml.sax.InputSource;

import java.nio.charset.Charset;
import java.io.*;
import java.net.*;

import com.sun.syndication.io.*;
import com.sun.syndication.feed.synd.*;

public class RomeTest {

    public static void main(String[] ignored)
        throws IOException, FeedException
    {
        String charset = "UTF-8";
        String url = "http://oglobo.globo.com/rss/plantaopais.xml";


        InputStream is = new URL(url).openConnection().getInputStream();
        InputSource source = new InputSource(is);

        SyndFeedInput input = new SyndFeedInput();
        SyndFeed feed = input.build(source);

        System.out.println("description: " + feed.getDescription());
    }


}

通过使用带有InputStream而不是Reader的InputSource ，解析器本身可以找到正确的字符集，并使其正确。

---

在源代码中挖掘一下，似乎我们的SyndFeed将Reader或InputSource传递给JDOM，后者又将它传递给SAX XMLReader，如果面对一个呈现<?xml ... encoding="ISO-8859-1" ?>的Reader，它似乎会感到困惑<?xml ... encoding="ISO-8859-1" ?> 。 然后我在Xerces的源头（这似乎是这里使用的那个）中挖了一下，但是没有发现任何会导致这种情况的可疑。