时间戳

首页 > 解决方案 > VTD-XML 元素片段不正确

vtd-xml - VTD-XML 元素片段不正确

问题描述

在使用 VTD-XML 解析包含像 © 这样的特殊字符的 XML 文档（UTF-8 格式）时，我现在遇到返回的元素片段 (getElementFragment) 不正确的问题。

示例代码：

VTDGen vg = new VTDGen();
String xmlDocument =
        "<?xml version=\"1.0\" encoding=\"UTF-8\"?>\r\n" + 
        "<Root>\r\n" + 
        "  <!-- © -->\r\n" + 
        "  <SomeElement/>\r\n" + 
        "</Root>";
// For some reason with US_ASCII it does work, although the file is UTF-8.
vg.setDoc(xmlDocument.getBytes(StandardCharsets.UTF_8));
// True or false doesn't matter here, some result.
vg.parse(false);
// Find the element and its fragment.
VTDNav nv = vg.getNav();
AutoPilot ap = new AutoPilot(nv);
ap.selectXPath("//SomeElement");
while ((ap.evalXPath()) != -1) {
    long elementOffset = nv.getElementFragment();
    int contentStartIndex = (int)elementOffset;
    int contentEndIndex = contentStartIndex + (int)(elementOffset>>32);
    System.out.println("Returned fragment: " + contentStartIndex + ":" + contentEndIndex + ":\n'" + xmlDocument.substring(contentStartIndex, contentEndIndex) + "'");
}

这将返回：

Returned fragment: 65:79:
'SomeElement/>
'

虽然将 StandardCharsets.UTF_8 更改为 StandardCharsets.US_ASCII 它确实有效：

Returned fragment: 64:78:
'<SomeElement/>'

当输入文件是 UTF-8 文件时，这会导致不正确的行为。这可能是 VTD-XML 中的错误，还是我在这里做错了什么？

标签： vtd-xml

解决方案

“©”是一个两个字的 unicode 字符，它导致开始/结束 unicode 偏移量从开始/结束字节偏移量偏移 1。这不是错误...下面是修复

while ((ap.evalXPath()) != -1) {
            long elementOffset = nv.getElementFragment();
            int contentStartIndex = (int)elementOffset;
            int contentEndIndex = contentStartIndex + (int)(elementOffset>>32);
            System.out.println("Returned fragment: " + contentStartIndex + ":" + contentEndIndex + ":\n'" 
                    + nv.toString(contentStartIndex,(int)(elementOffset>>32)));
                    //+ xmlDocument.substring(contentStartIndex, contentEndIndex) + "'");
        }

推荐阅读