SAX не читает русские буквы

@Ermintar · Регистрация: 15.11.2011

Студворк — интернет-сервис помощи студентам

Есть xml-файл с системой правил для разбора текста.
Такого вида:

XML
1
2
3
4
5
6
7
8
9
10
11
12
<?xml version="1.0" encoding="utf-8"?>
<rules>
<rule>
    <regexp>балкон</regexp>
    <params>
        <param>
             <type>BALCONY</type>
             <value>yes</value>
        </param>
    </params>
</rule>
</rules>

И функция вызова разбора этого документа

Java
1
2
3
4
5
6
7
8
9
10
11
    //загрузка
    public void load(String xmlName) throws SAXException, IOException, ParserConfigurationException
    {
        SAXParserFactory factory = SAXParserFactory.newInstance();
        SAXParser parser = factory.newSAXParser();
 
        SAXHandler handler = new SAXHandler();
        parser.parse(new File(xmlName), handler);
 
        rules= handler.getRules();
    }

В общем, когда парсер доходит до русских букв возниает exeption Invalid byte 2 of 3-byte UTF-8 sequence.
Если заменить русские буквы на английские, то все проходит корректно (<regexp>balcon</regexp>)

Подскажите, как это исправить?

@Skipy · 21.06.2012, 18:15

С вероятностью 99.9% у Вас текст не в UTF-8, а в Windows-1251. В этой кодировке буква 'б' в старших 4-х битах имеет 1110, а в UTF-8 это признак трехбайтовой последовательности. Следующий байт при этом должен начинатся на 10, а у Вас там 'а', которая тоже начинается на 1110. Соответственно, перекодировщик и пишет - некорректный второй байт трехбайтовой последовательности.

Способов лечения два. Первый - поставить кодировку windows-1251 вместо UTF-8. Второй - перекодировать файл в UTF-8.

@Ermintar · 21.06.2012, 18:41 **[ТС]**

Огромное спасибо.

XML
1
<?xml version="1.0" encoding="windows-1251"?>

Вот так, работает.

А второй способ можно подробнее рассказать, как перекодировать. (вдруг придется использовать)

@Skipy · 21.06.2012, 19:23

Можно использовать любой редактор, который умеет записывать в UTF-8 и windows-1251. Только не стандартный notepad, он UTF-8 пишет в извращенном виде. Можно взять, например, notepad++. Открыть файл, он сам определит кодировку, потом в меню Encoding выбрать "Convert to UTF-8 without BOM" и сохранить. Всё, кодировка будет UTF-8, только в заголовке ее потом надо будет правильно прописать.

P.S. Про кодировки можете тут почитать:

Новые блоги и статьи Все статьи Все блоги /
Как я обхитрил таблицу Word Alexander-7 21.03.2026 Когда мигает курсор у внешнего края таблицы, и нам надо перейти на новую строку, а при нажатии Enter создается новый ряд таблицы с ячейками, то мы вместо нервных нажатий Энтеров мы пишем любые буквы. . .	Krabik - рыболовный бот для WoW 3.3.5a AmbA 21.03.2026 без регистрации и смс. Это не торговля, приложение не содержит рекламы. Выполняет свою непосредственную задачу - автоматизацию рыбалки в WoW - и ничего более. Однако если админы будут против -. . .	Программный отбор значений справочника Maks 21.03.2026 Установка программного отбора значений справочника "Сотрудники" из модуля формы документа. В качестве фильтра для отбора служит предопределенное значение перечислений. Процедура. . .	Переходник USB-CAN-GPIO Eddy_Em 20.03.2026 Достаточно давно на работе возникла необходимость в переходнике CAN-USB с гальваноразвязкой, оный и был разработан. Однако, все меня терзала совесть, что аж 48-ногий МК используется так тупо: просто. . .
Оттенки серого Argus19 18.03.2026 Оттенки серого Нашёл в интернете 3 прекрасных модуля: Модуль класса открытия диалога открытия/ сохранения файла на Win32 API; Модуль класса быстрого перекодирования цветного изображения в оттенки. . .	SDL3 для Desktop (MinGW): Рисуем цветные прямоугольники с помощью рисовальщика SDL3 на Си и C++ 8Observer8 17.03.2026 Содержание блога Финальные проекты на Си и на C++: finish-rectangles-sdl3-c. zip finish-rectangles-sdl3-cpp. zip	Символические и жёсткие ссылки в Linux. algri14 15.03.2026 Существует два типа ссылок — символические и жёсткие. Ссылка в Linux — это запись в каталоге, которая может указывать либо на inode «файла-ИСТОЧНИКА», тогда это будет «жёсткая ссылка» (hard link),. . .	[Owen Logic] Поддержание уровня воды в резервуаре количеством включённых насосов: моделирование и выбор регулятора ФедосеевПавел 14.03.2026 Поддержание уровня воды в резервуаре количеством включённых насосов: моделирование и выбор регулятора ВВЕДЕНИЕ Выполняя задание на управление насосной группой заполнения резервуара,. . .

@Skipy 2000 / 1427 / 92 Регистрация: 25.11.2010 Сообщений: 3,611
	21.06.2012, 18:15
	С вероятностью 99.9% у Вас текст не в UTF-8, а в Windows-1251. В этой кодировке буква 'б' в старших 4-х битах имеет 1110, а в UTF-8 это признак трехбайтовой последовательности. Следующий байт при этом должен начинатся на 10, а у Вас там 'а', которая тоже начинается на 1110. Соответственно, перекодировщик и пишет - некорректный второй байт трехбайтовой последовательности. Способов лечения два. Первый - поставить кодировку windows-1251 вместо UTF-8. Второй - перекодировать файл в UTF-8. 1

@Skipy 2000 / 1427 / 92 Регистрация: 25.11.2010 Сообщений: 3,611
	21.06.2012, 19:23
	Можно использовать любой редактор, который умеет записывать в UTF-8 и windows-1251. Только не стандартный notepad, он UTF-8 пишет в извращенном виде. Можно взять, например, notepad++. Открыть файл, он сам определит кодировку, потом в меню Encoding выбрать "Convert to UTF-8 without BOM" и сохранить. Всё, кодировка будет UTF-8, только в заголовке ее потом надо будет правильно прописать. P.S. Про кодировки можете тут почитать: 1