java - example - org.apache.poi.xssf jar

MalformedByteSequenceException: Byte no válido 2 de la secuencia UTF-8 de 2 bytes

Question

Tengo un archivo xml que contiene caracteres árabes. Cuando intento analizar un archivo, surge la excepción, MalformedByteSequenceException: Byte no válido 2 de la secuencia UTF-8 de 2 bytes. Uso POI DOM para analizar el documento.

El registro es,

2012-03-19 11:30:00,433 [ERROR] (com.infomindz.remitglobe.bll.remittance.BlackListBean) - Error 

com.sun.org.apache.xerces.internal.impl.io.MalformedByteSequenceException: Invalid byte 2 of 2-byte UTF-8 sequence.

    at com.sun.org.apache.xerces.internal.impl.io.UTF8Reader.invalidByte(Unknown Source)

    at com.sun.org.apache.xerces.internal.impl.io.UTF8Reader.read(Unknown Source)

    at com.sun.org.apache.xerces.internal.impl.XMLEntityScanner.load(Unknown Source)

    at com.sun.org.apache.xerces.internal.impl.XMLEntityScanner.skipChar(Unknown Source)

    at com.sun.org.apache.xerces.internal.impl.XMLDocumentFragmentScannerImpl$FragmentContentDriver.next(Unknown Source)

    at com.sun.org.apache.xerces.internal.impl.XMLDocumentScannerImpl.next(Unknown Source)

    at com.sun.org.apache.xerces.internal.impl.XMLDocumentFragmentScannerImpl.scanDocument(Unknown Source)

    at com.sun.org.apache.xerces.internal.parsers.XML11Configuration.parse(Unknown Source)

    at com.sun.org.apache.xerces.internal.parsers.XML11Configuration.parse(Unknown Source)

    at com.sun.org.apache.xerces.internal.parsers.XMLParser.parse(Unknown Source)

    at com.sun.org.apache.xerces.internal.parsers.DOMParser.parse(Unknown Source)

    at com.sun.org.apache.xerces.internal.jaxp.DocumentBuilderImpl.parse(Unknown Source)

    at javax.xml.parsers.DocumentBuilder.parse(Unknown Source)

    at com.infomindz.remitglobe.bll.remittance.BlackListBean.updateGeneralBlackListDetail(Unknown Source)

    at com.infomindz.remitglobe.bll.remittance.schedulers.BlackListUpdateScheduler.executeInternal(Unknown Source)

    at org.springframework.scheduling.quartz.QuartzJobBean.execute(QuartzJobBean.java:86)

    at org.quartz.core.JobRunShell.run(JobRunShell.java:216)

    at org.quartz.simpl.SimpleThreadPool$WorkerThread.run(SimpleThreadPool.java:549)

La excepción solo se produce en Windows Machine, no en Linux Machine. ¿Cómo puedo resolver el problema? Cualquier sugerencia debe ser apreciable.

Answer 1

Creo que su analizador espera un byte codificado en UTF-8 y lo recibe en una codificación diferente. Compruebe la codificación del archivo.

Una posible solución puede ser convertir el archivo a UTF-8.

Si tienes un sistema Unix, puedes usar esta herramienta

iconv -f original_charset -t utf-8 your_file > new_file

Answer 2

Este es un carácter de documento de inicio basado en el sistema operativo. Debe usar un visor de bytes y eliminarlo de su documento. Puedes intentar usar algo como unix2dos para convertir caracteres de control.

Answer 3

He resuelto el problema creando el archivo XML utilizando el formato UTF8.

OutputStreamWriter bufferedWriter = new OutputStreamWriter(filePath +
                        System.getProperty("file.separator") + fileName), "UTF8");

Después de crear el archivo con el código anterior, se resuelve el problema de codificación. Gracias por cada uno, ponga el esfuerzo aquí.

Answer 4

Solución bastante simple:

File file = new File("c://file-utf.xml");
InputStream inputStream= new FileInputStream(file);
Reader reader = new InputStreamReader(inputStream,"UTF-8");

InputSource is = new InputSource(reader);
// is.setEncoding("UTF-8"); -> This line causes error! Content is not allowed in prolog

saxParser.parse(is, handler);

Ref: http://www.mkyong.com/java/sax-error-malformedbytesequenceexception-invalid-byte-1-of-1-byte-utf-8-sequence/

Answer 5

Todo lo que podemos decir del mensaje es que el archivo no está codificado correctamente en UTF-8. Para averiguar por qué, deberá rastrear el historial de cómo se creó el archivo. Puede (o no) ser útil estudiar el contenido del archivo a nivel binario para ver cuál es la codificación real. Por ejemplo, puede ser útil saber si todo el archivo está en la codificación incorrecta o si solo contiene un par de caracteres extraviados en la codificación incorrecta.

Answer 6

puede agregar un parámetro jvm -Dfile.encoding = utf-8 a su jvm.