parser XML encoding

Version imprimable

parser XML encoding

Bonjour,

Je parse une fichier XML récupéré depuis une URL:
Code:

1 2 3 4 5 6 7 8 9 10 URL u = new URL(url); InputStream is = u.openConnection().getInputStream(); DocumentBuilderFactory dbf = DocumentBuilderFactory.newInstance(); DocumentBuilder db = dbf.newDocumentBuilder(); Document doc = db.parse(is); doc.getDocumentElement().normalize(); Element root = doc.getDocumentElement(); String info = root.getElementsByTagName("INFO").item(0).getTextContent();
problème : dans la balise info j'ai quelque chose du genre

Code:

<INFO>montexteİ</INFO>

La String info prend la valeur "montexte?". Impossible de lire les caratére İ (turc) ou de conserver le

Code:

İ

pour l'envoyer tel quel à un navigateur web.

J'ai essayé de passer par la chaine de caractère contenant le xml (via l'URL). Celle ci est correcte mais même avec le code suivant j'obtiens un "?" :
Code:

1 2 3 4 5 6 7 String xml = getXMLStringFromURL(); String encoding = "iso-8859-1"; DocumentBuilderFactory dbf = DocumentBuilderFactory.newInstance(); DocumentBuilder db = dbf.newDocumentBuilder(); Charset iso88591charset = Charset.forName(encoding); InputStream is = new ByteArrayInputStream(xml.getBytes(iso88591charset));
J'ai essayé avec divers charset, sans succès.
Même avec ça :
Code:

1 2 3 4 5 6 7 8 9 10 11 12 13 14 Document in = db.parse(is); Document doc = db.newDocument(); Transformer xformer = TransformerFactory.newInstance().newTransformer(); Properties proprietes = new Properties(); proprietes.put("method", "xml"); proprietes.put("version", "1.0"); proprietes.put("encoding", encoding); proprietes.put("standalone", "yes"); proprietes.put("indent", "yes"); proprietes.put("omit-xml-declaration", "no"); xformer.setOutputProperties(proprietes); xformer.transform(new DOMSource(in), new DOMResult(doc));
Merci d'avance pour ceux qui auraient une piste.

09/12/2010, 16h55
thelvin

C'est normal, le parsing XML n'a aucun problème, lui :).

C'est quand tu envoies le résultat au navigateur, tu le fais avec un encodage qui ne gère pas les caractères turcs. Du coup, Java ne pouvant rien y faire, il replace İ par ?

Rien à voir avec XML donc :).
10/12/2010, 08h41
lapin_hobbit

Le problème vient bien du XML.
Le

Code:

İ

est transformé en ? dès que je récupère la valeur du tag depuis l'objet org.w3c.dom.Document.

Code:

System.out.println(root.getElementsByTagName("INFO").item(0).getTextContent());

Résultat : "montexte?" au lien de

Code:

montexteİ

Si dans ma JSP je met un

Code:

İ

j'obtiens bien İ.
10/12/2010, 10h39
thelvin

Cela signifie simplement que System.out.println() ne gère pas ce caractère non plus. (plus exactement l'endroit où System.out.println() essaie d'écrire ne le gère pas.)

Essaie de faire System.out.println("İ"); tu verras que ça ne marche pas non plus.
System.out.println("\u0130"); non plus.

Enregistre-le dans un fichier au format utf-8, à la place. Tu verras que ça marche parfaitement.
10/12/2010, 11h06
lapin_hobbit

System.out ne gère pas le caractère &#304 ; c'est pour ça qu'il est affiché tel quel dans la console avant le parsing. Après le parsing au lieu d'obtenir &#304 ; j'ai ?. Je ne veut pas obtenir İ mais bien &#304 ; pour l'insérer tel quel dans ma JSP et qu'ainsi le navigateur m'affiche İ.

A la rigueur ce que m'affiche la console m'importe peu c'est juste un contrôle sur la transformation. J'aimerai juste avoir la même chose avant et après le parsing.

enregistrer le texte dans un fichier correctement encodé ne fonctionne pas puisque si c'était le cas, mon navigateur afficherai İ et pas ?.
10/12/2010, 11h23
thelvin

Citation:

J'aimerai juste avoir la même chose avant et après le parsing.

Les parseurs XMLs résolvent toujours cette notation &# 304;
C'est normal, c'est leur rôle. Si ça ne te convient pas, rien ne t'empêche de le re-remplacer ensuite avec replaceAll(). Ou en utilisant un outil qui sait échapper ce qu'il doit.

Citation:

Envoyé par lapin_hobbit

enregistrer le texte dans un fichier correctement encodé ne fonctionne pas puisque si c'était le cas, mon navigateur afficherai İ et pas ?.

Uniquement si ce que tu envoies au navigateur est correct. Là aussi il faut faire attention à l'encodage. Par exemple, si tu renvoies une page que tu annonces encodée en iso-8859-1, et que tu y mets tel quel un caractère non géré par iso-8859-1, sans utiliser d'outil qui sache qu'il doit échapper les caractères non gérés, voilà ce qui arrive.

Je le répète, le parsing n'a aucun souci. Cesse de contester, et commence à analyser ce que tu en fais ensuite qui pose problème.
10/12/2010, 12h02
lapin_hobbit

Citation:

Envoyé par thelvin

Cesse de contester, et commence à analyser ce que tu en fais ensuite qui pose problème.

L'analyse, je l'ai mené en vérifiant la cohérence de l'encodage aux diverses étape entre la lecture et l'affichage. Je conteste pas par principe mais je ne hoche pas non plus la tête parce qu'on me dit de le faire.

Ceci dit tu avais raison. J'ai résolu le problème en changeant le charset de la JSP en UTF-8.

Merci bien.