为什么org.apache.xerces.parsers.SAXParser在解析UTF8编码的XML时不能跳过BOM？

Question

我有一个使用UTF8编码的XML文件，并且该文件在开头包含BOM字节。因此，在解析时，我遇到了org.xml.sax.SAXParseException: Content is not allowed in prolog的错误。

但我不能从文件中移除这三个字节。由于文件太大，也不能将其加载到内存中并在此处删除。

为了提高性能，我使用SAX解析器，如果在""标记之前存在这3个字节，则仅跳过它们。 那么我应该继承InputStreamReader来实现吗？

由于我对Java还不熟悉，请指导正确的做法。

- denys

---

可能是Java中字节顺序标记破坏了文件读取的问题的重复。 - Jim Dagg

Answer 1

这个问题以前就出现过，当我遇到它时，我在Stack Overflow上找到了答案。链接的答案使用PushbackInputStream来测试BOM。请参考：the answer。

- Adrian Cox

Answer 2

我曾经遇到过同样的问题，我用这段代码解决了它:

private static InputStream checkForUtf8BOM(InputStream inputStream) throws IOException {
    PushbackInputStream pushbackInputStream = new PushbackInputStream(new BufferedInputStream(inputStream), 3);
    byte[] bom = new byte[3];
    if (pushbackInputStream.read(bom) != -1) {
        if (!(bom[0] == (byte) 0xEF && bom[1] == (byte) 0xBB && bom[2] == (byte) 0xBF)) {
            pushbackInputStream.unread(bom);
        }
    }
    return pushbackInputStream;
}

- javanna

---

这是针对UTF8的...我认为UTF16会有所不同（我相信它只有2个字节）？ - Trinition

抱歉回复晚了。是的，UTF16带有BOM，只有两个字节：0xFE 0xFF（大端）或0xFF 0xFE（小端）。 - javanna

Answer 3

private static char[] UTF32BE = { 0x0000, 0xFEFF };
private static char[] UTF32LE = { 0xFFFE, 0x0000 };
private static char[] UTF16BE = { 0xFEFF };
private static char[] UTF16LE = { 0xFFFE };
private static char[] UTF8 = { 0xEFBB, 0xBF };

private static boolean removeBOM(Reader reader, char[] bom) throws Exception {
    int bomLength = bom.length;
    reader.mark(bomLength);
    char[] possibleBOM = new char[bomLength];
    reader.read(possibleBOM);
    for (int x = 0; x < bomLength; x++) {
        if ((int) bom[x] != (int) possibleBOM[x]) {
            reader.reset();
            return false;
        }
    }
    return true;
}

private static void removeBOM(Reader reader) throws Exception {
    if (removeBOM(reader, UTF32BE)) {
        return;
    }
    if (removeBOM(reader, UTF32LE)) {
        return;
    }
    if (removeBOM(reader, UTF16BE)) {
        return;
    }
    if (removeBOM(reader, UTF16LE)) {
        return;
    }
    if (removeBOM(reader, UTF8)) {
        return;
    }
}

使用方法：

// xml can be read from a file, url or string through a stream
URL url = new URL("some xml url");
BufferedReader bufferedReader = new BufferedReader(new InputStreamReader(url.openStream()));
removeBOM(bufferedReader);

- tuku