<?xml version="1.0" encoding="Windows-1251"?>
Если кодировка указана не была, то по умолчанию предполагается кодировка UTF-8.
На XML-парсер возложена обязанность корректно прочитать заголовок и использовать соответствующую кодировку для получения Unicode-символов.
Разные парсеры могут поддерживать разные наборы кодировок, но UTF-8 обязаны поддерживать все.
Здесь также, как и в случае с JavaMail наименования кодировок, описанные в стандарте XML могут расходится с наименованиями, принятыми в Java.
Разные парсеры по разному выходят из положения.
Crimson просто использует некоторое кол-во дополнительных синонимов, а в остальном полагается на синонимы кодировок из Java.
Xerces же по умолчанию использует внутреннюю таблицу (класс org.apache.xerces.readers.MIME2Java), а если не находит там кодировку, то бросает исключение о неподдерживаемой кодировке.
В Xerces версии 1.4.0 русских кодировок там всего две - KOI8-R и ISO-8859-5.
Однако это поведение по умолчанию можно изменить при помощи разрешения у парсера специального feature "http://apache.org/xml/features/allow-java-encodings".
Если этот feature разрешён (при помощи метода setFeature()), то парсер после поиска в таблице будет пытаться использовать стандартный Java-вский механизм и соответственно Java-вский набор кодировок.
В случае использования интерфейса SAX сделать это можно таким, например, образом (при использовании JAXP):
SAXParserFactory parserFactory=SAXParserFactory.newInstance();
SAXParser parser=parserFactory.newSAXParser();
parser.getXMLReader().setFeature(
"http://apache.org/xml/features/allow-java-encodings",true);
Для DOM, к сожалению, подобного механизма feature-ов не предусмотрено, но можно вместо JAXP для создания DOM напрямую использовать класс org.apache.xerces.parsers.DOMParser, у которого уже есть метод setFeature().
XmlDocument doc=...;
OutputStream os=...;
doc.write(os,"Windows-1251");
В Xerces для создания документов используются классы из пакета org.apache.xml.serialize.
Собственно для записи используется класс XMLSerializer, а для настройки выходного формата - класс OutputFormat.
В конструкторе XMLSerializer можно передавать как потоки байтов, так и потоки символов.
В случае потоков символов используемая кодировка должна совпадать с заданной в OutputFormat.
Важно не забыть задать используемую кодировку в OutputFormat - в противном случае русские буквы будут представлены в виде кодов, типа такого: "АБВ" для символов "АБВ".
OutputStream os=...;
OutputFormat format=
new OutputFormat(Method.XML,"Windows-1251",true);
XMLSerializer serializer=new XMLSerializer(os,format);
serializer.serialize(doc);
Castor XML
# Comma separated list of SAX 2 features that should be enabled
# for the default parser.
#
#org.exolab.castor.features=
org.exolab.castor.sax.features=
http://apache.org/xml/features/allow-java-encodings
Стоит отметить, что по умолчанию там стоит переменная org.exolab.castor.features, но это, очевидно, опечатка - если посмотреть в исходники, то там анализируется org.exolab.castor.sax.features (это справедливо для Castor версии 0.9.3 от 03.07.2001).
Пример чтения с использованием потоков байтов:
public static Object load(Class cls,
String mappingFile, InputStream is)throws Exception{
Mapping mapping=loadMapping(cls,mappingFile);
Unmarshaller unmarshaller=new Unmarshaller(cls);
unmarshaller.setMapping(mapping);
return unmarshaller.unmarshal(new InputSource(is));
}
Для создания XML-файлов необходимо правильно указать формат для Xerces.
public static void save(Object obj, String mappingFile,
OutputStream os, String encoding)throws Exception{
Mapping mapping=loadMapping(obj.getClass(),mappingFile);
try{
XMLSerializer serializer=new XMLSerializer(os,
new OutputFormat(Method.XML,encoding,true));
Marshaller marshaller=new Marshaller(serializer);
marshaller.setMapping(mapping);
marshaller.marshal(obj);
}finally{
os.flush();
}
}
Для загрузки файлов маппинга в этих примерах можно использовать такой код:
private static Mapping loadMapping(Class cls,String mappingFile)
throws Exception{
ClassLoader loader=cls.getClassLoader();
Mapping mapping=new Mapping(loader);
mapping.loadMapping(
new InputSource(loader.getResourceAsStream(
mappingFile)));
return mapping;
}
XSL
<xsl:output encoding="Windows-1251" method="html" indent="yes"/>
Если XSLT-процессор не знает указанной кодировки, то он должен или выдать ошибку или использовать UTF-8 (или UTF-16).
Если формируется HTML, то XSLT-процессор должен добавить тег meta, в котором будет указана реально использованная кодировка:
<meta http-equiv="Content-Type" content="text/html;charset=UTF-8">
Всё бы хорошо, но некоторые XSLT-процессоры не поддерживают данный тег (по спецификации они и не обязаны).
В частности пакет Cocoon его не поддерживает, т.к., по словам разработчиков, он противоречит внутренней архитектуре этого пакета.
Вместо этого там поддерживается указание выходного формата при помощи инструкции препроцессора cocoon-format.
<xsl:processing-instruction name="cocoon-format">
type="text/html"
</xsl:processing-instruction>
Таким образом можно динамически менять выходной формат.
Если это не требуется, то можно записать инструкцию и статически (в исходном XML-документе):
<?cocoon-format type="text/html"?>
Собственно используемая кодировка настраивается для каждого формата отдельно в файле cocoon.properties.
TransformerFactory trFactory=TransformerFactory.newInstance();
Transformer transformer=trFactory.newTransformer();
transformer.setOutputProperty(OutputKeys.DOCTYPE_PUBLIC,docPublic);
transformer.setOutputProperty(OutputKeys.DOCTYPE_SYSTEM,docSystem);
transformer.setOutputProperty(OutputKeys.INDENT,"yes");
transformer.setOutputProperty(OutputKeys.ENCODING,encoding);
OutputStream os=...;
StreamResult result=new StreamResult(os);
transformer.transform(source, result);
Тут есть один подводный камень - реализация Transformer должна поддерживать нужную кодировку.
Xalan из состава JDK 1.4.0_x и 1.4.1_x поддерживает только две русские кодировки - KOI8-R и ISO-8859-5.
Если хочется использовать Windows-1251, то можно воспользоваться механизмом endorsed: