我們的一個提供程序有時會發送標記爲UTF-8編碼文檔但包含未包含在UTF-8字符集中的字符的XML Feed。這將導致解析器拋出一個異常，停止建設的DOM對象，當遇到這些字符：修復XML文件中的錯誤編碼
DocumentBuilder.parse(ByteArrayInputStream bais)
拋出以下異常：
org.xml.sax.SAXParseException: Invalid byte 2 of 2-byte UTF-8 sequence.
有沒有一種方法來「捕捉」這些問題早並避免例外（即查找並從流中刪除這些字符）？我正在尋找的是「盡力而爲」類型的錯誤編碼文檔的後備。正確的解決方案顯然是從源頭上解決問題，並確保只交付正確的文檔，但如果不可能，那麼最好的方法是什麼？
如果問題真的是錯誤的編碼（而不是混合編碼），則不需要對文檔進行重新編碼來解析它。只是解析它作爲一個讀者，而不是一個InputStream和DOM解析器會忽略標題：
DocumentBuilder.parse(new InpputSource(new InputStreamReader(inputStream, "<real encoding>")));
您應該手動查看無效的文檔，並查看它們的常見問題。實際上它們很可能是另一種編碼（最可能的是windows-1252），最好的解決方案是從分解的系統中獲取每個文件並將其重新編碼爲UTF-8。
另一個可能的原因是混合編碼（一些元素的內容在一個編碼中，其他元素的內容在另一個編碼中）。這將很難解決。
您還需要一種方法來知道破損的系統何時被修復，以便您可以停止使用您的解決方法。
我懷疑這是一種混合編碼（或者只是一些「流氓」字符），因爲來自同一個源的其他數據工作正常。它包含在瑞典的地點名稱，所以我懷疑他們有一些編碼不好的字符。 – Burre 2008-10-19 21:07:52
你應該告訴他們你正確的UTF-8發送。如果任何解決方案都不應該將壞字符重新編碼爲有效的UTF-8，那麼將其傳遞給解析器。其原因是如果保留了壞字符，那麼不同的程序可能會以不同的方式解釋任何輸出，這可能會導致安全漏洞。
感謝您的提示。它避免了這個異常，不幸的是，它並沒有幫到我太多，因爲它看起來非法的字符在我提取（和需要）的標識符字符串裏面，並且現在得到了錯誤的編碼。我想我只能等待內容提供商解決他們的錯誤。 – Burre 2008-10-20 09:29:01