unmarshal - Conversiones Java jaxb utf-8/iso

marshall unmarshall java

Question

Tengo un archivo XML que contiene caracteres no estándar (como una "cita" extraña).

Leí el XML usando UTF-8 / ISO / ascii + unmarshalled it:

BufferedReader br = new BufferedReader(new InputStreamReader(
                (conn.getInputStream()),"ISO-8859-1"));
        String output;
        StringBuffer sb = new StringBuffer();
        while ((output = br.readLine()) != null) {
            //fetch XML
            sb.append(output);
        }


        try {

            jc = JAXBContext.newInstance(ServiceResponse.class);

            Unmarshaller unmarshaller = jc.createUnmarshaller();

            ServiceResponse OWrsp =  (ServiceResponse) unmarshaller
                    .unmarshal(new InputSource(new StringReader(sb.toString())));

Tengo una función de oráculo que tomará los códigos iso-8859-1, y los convierte / los mapea en símbolos "literales". es decir: "& # x2019" => "comilla izquierda"

JAXB unmarshal usando iso, muestra los caracteres con la conversión iso fina. es decir, todas las comillas simples extrañas se codificarán en "& # x2019"

así que supongamos que mi cuerda es: clase de entre 10 y 11 años (nota lo extraño, entre 11 y año)

jc = JAXBContext.newInstance(ScienceProductBuilderInfoType.class);
        Marshaller m = jc.createMarshaller();
        m.setProperty(Marshaller.JAXB_ENCODING, "ISO-8859-1");
        //save a temp file
        File file2 = new File("tmp.xml");

esto guardará en el archivo:

class of 10–11‐year‐olds. (what i want..so file saving works!)

[nota al margen: he leído el archivo usando el lector de archivos java, y pone la cadena de arriba bien]

el problema que tengo es que la representación de STRING que usa jaxb unmarshaller tiene un resultado extraño, por alguna razón no puedo conseguir que la cadena represente -.

cuando I 1: compruebe la salida xml no mapeada:

class of 10?11?year?olds

2: la salida del archivo:

class of 10–11‐year‐olds

Incluso traté de leer el archivo del XML guardado y luego desempaquetarlo (con la esperanza de obtener el - en mi cadena)

String sCurrentLine;
        BufferedReader br = new BufferedReader(new FileReader("tmp.xml"));
        StringBuffer sb = new StringBuffer();
        while ((sCurrentLine = br.readLine()) != null) {
            sb.append(sCurrentLine);
        }




        ScienceProductBuilderInfoType rsp =  (ScienceProductBuilderInfoType) unm
                .unmarshal(new InputSource(new StringReader(sb.toString())));

Sin resultado.

alguna idea de cómo obtener el carácter codificado iso-8859-1 en jaxb?

Answer 1

Resuelto: usando este código tibid encontrado en stackoverflow

final class HtmlEncoder {
  private HtmlEncoder() {}

  public static <T extends Appendable> T escapeNonLatin(CharSequence sequence,
      T out) throws java.io.IOException {
    for (int i = 0; i < sequence.length(); i++) {
      char ch = sequence.charAt(i);
      if (Character.UnicodeBlock.of(ch) == Character.UnicodeBlock.BASIC_LATIN) {
        out.append(ch);
      } else {
        int codepoint = Character.codePointAt(sequence, i);
        // handle supplementary range chars
        i += Character.charCount(codepoint) - 1;
        // emit entity
        out.append("&#x");
        out.append(Integer.toHexString(codepoint));
        out.append(";");
      }
    }
    return out;
  }
}

HtmlEncoder.escapeNonLatin (MYSTRING)