charset和rome的java问题（rss/atom提要）

Question

我正在尝试使用rome（1.0）创建一个提要聚合器。一切正常，但我面临feed的字符集问题。我正在mac os x（netbeans 6.9.1）上使用java 1.6开发它

我使用以下代码检索提要：

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），而_charset是UTF-8或ISO-8859-1

它是有效的，但是一些带有拉丁字符（比如葡萄牙语）的网站即使我同时使用两种编码也不行

例如，从http://oglobo.globo.com/rss/plantaopais.xml读取的提要将始终返回伪字符，如下所示：

秘密�里约热内卢�圣保罗（UTF-8）
秘密圣保罗里约热内卢（ISO-8859-1）

为什么？我错过什么了吗

如果我尝试使用UTF-16之类的东西，rome会抛出一个错误：com。太阳辛迪加。伊奥。ParsingFeedException:第1行的XML:错误无效：prolog中不允许包含内容

我尝试过其他编码，比如US-ASCII，但没有幸运

另一个问题：rome是处理提要（使用java）的最佳解决方案吗？罗马的最新版本是2009年的1.0。似乎已经死了

蒂娅

鲍勃

Answer 1

我不知道罗马（你可以在你的问题中加一个链接）。ISO-8859-1应该是用于链接的提要的正确编码。但是，您的库不支持InputStream作为源代码吗（这样它本身就可以通过XML前导查找正确的编码）

是不是在你的程序的输出进行处理后，输出被篡改了？你能写信吗

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

并报告其输出？（如果Java+控制台组合配置正确，则应该是“圣保罗”。）

---

所以，我现在下载并编译了Rome（Maven花了半个小时下载了其他东西），我可以重现这个问题。看起来build方法获取读取器有问题

下面是一个有效的变体（如果rome、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，解析器本身会找到正确的字符集，并使其正确

---

在源代码中翻一翻，我们的SyndFeed似乎将读取器或InputSource传递给JDOM，JDOM又将其传递给SAX XMLReader，如果遇到一个以^{呈现的读取器，它似乎会感到困惑。然后我翻遍了Xerces的来源（似乎就是这里使用的那个），但没有发现任何可疑的原因