C＃问题，其中读取具有不同编码字符的XML

Question

我在阅读XML时遇到问题。 找到了解决方案，但是仍然存在一些问题。 不正确的XML文件以UTF-8编码，并且在其标头中具有适当的标记。 但它也包含一个以UTF-16编码的字符-'é'。 此代码用于读取XML文件以验证其内容：

var xDoc = XDocument.Load(taxFile);

它为指定的错误XML文件引发异常：“给定编码中的无效字符。第59行，位置104。” 快速修复如下：

XDocument xDoc = null;
using (var oReader = new StreamReader(taxFile, Encoding.UTF8))
{
    xDoc = XDocument.Load(oReader);
}

此代码不会引发不正确文件的异常。 但是'é'字符加载为``。 我的第一个问题是“为什么起作用？”。

另一点是使用XmlReader不会引发异常，直到加载带有'é'的节点为止。

XmlReader xmlTax = XmlReader.Create(filePath);

再一次，使用StreamReader进行锻炼会有所帮助。 同样的问题。 似乎修复解决方案不够好，导致一天：)可能会出现以另一种格式编码的XML，并且可能以错误的方式进行处理。 但是，我尝试处理UTF-16格式的XML文件，它工作正常（配置为UTF-8）。

最后一个问题是XDocument / XmlReader是否提供任何选项来忽略像这样的字符编码或smth。

期待您的答复。 提前致谢

Answer 1

首先要注意的是，XML文件实际上存在缺陷-不应像这样在同一文件中混合文本编码。 当文件实际嵌入显式编码时，错误甚至更加明显。

至于为什么可以使用StreamReader毫无例外地读取它，这是因为Encoding包含用于控制遇到不兼容数据时发生的情况的设置

Encoding.UTF8被记录为使用后备字符。 从http://msdn.microsoft.com/zh-cn/library/system.text.encoding.utf8.aspx ：

此属性返回的UTF8Encoding对象可能不适用于您的应用程序。 它使用替换后备替换以问号（“？”）字符替换无法编码的每个字符串和无法解码的每个字节。

您可以自己实例化编码以获得不同的设置。 这很可能就是XDocument.Load（）所做的，因为默认情况下隐藏错误通常很不好。 http://msdn.microsoft.com/zh-CN/library/system.text.utf8encoding.aspx

如果发送给您的是这样损坏的XML文件，步骤1是（大声地）抱怨它。 没有正当的理由这种行为。 如果您无论如何绝对必须处理它们，建议您看一下UTF8Encoding类及其DecoderFallbackProperty。 看来您应该能够实现自定义的DecoderFallback和DecoderFallbackBuffer来添加将理解UTF-16字节序列的逻辑。