在ISO-8859-1編碼的XML文檔中解碼Unicode字符

Question

我使用javax.xml.transform創建了這個ISO-8859-1文檔，其中包含兩個＆＃編碼的字符쎼和쎶 ：

<?xml version="1.0" encoding="ISO-8859-1"?>
<xml>&#50108; and &#50102;</xml>

問題：符合標准的XML閱讀器將如何解釋쎼和쎶，

• 就像普通的＆＃...字符串（不會轉換回쎼和쎶 ）
• 作為쎼和쎶

---

生成XML的代碼：

public void testInvalidCharacter() {
    try {
        String str = "\uC3BC and \uC3B6"; // 쎼 and 쎶
        System.out.println(str);

        DocumentBuilder builder = DocumentBuilderFactory.newInstance().newDocumentBuilder();
        Document doc = builder.newDocument();
        Element root = doc.createElement("xml");
        root.setTextContent(str);
        doc.appendChild(root);

        DOMSource domSource = new DOMSource(doc);

        Transformer transformer = TransformerFactory.newInstance().newTransformer();
        transformer.setOutputProperty(OutputKeys.ENCODING, StandardCharsets.ISO_8859_1.name());

        StringWriter out = new StringWriter();
        transformer.transform(domSource, new StreamResult(out));

        System.out.println(out.toString());

    } catch (ParserConfigurationException | DOMException | IllegalArgumentException | TransformerException e) {
        e.printStackTrace(System.err);
    }
}

Answer 1

XML解析器將識別“＆＃...”轉義語法，並正確返回쎼和쎶及其API來表示元素的文本。 例如，在Java中，標簽為“ xml”的Element的org.w3c.dom.Element.getTextContent（）方法將返回帶有該Unicode字符的String，盡管您的XML文檔本身是ISO-8859-1