Falsches Encoding in XML-Dateien

vorhergehende Artikel in: Java Markup
26.06.2021

Neulich kam während des Zutaten-für-Kuchen-Verdienens eine interessante Frage aus, die ich hier näher beleuchten möchte:

Das Problem stellte sich wie folgt dar: unsere Komponente bekam Dateien angeliefert - darunter auch XML-Dateien. Diese wurden durch unsere Komponente gepuffert und später Clients zur Verfügung gestellt. Wenn diese im Browser angezeigt werden sollten, reagierten diese zwar verschieden, aber ale mit irgendeiner Form von Fehler.

Ursache dafür war, dass die Dateien in einem anderen Encoding abgespeichert waren, als im Header stand und die Bytes in der Datei sich nicht in dem im Header benannten Encoding dekodieren ließen. Es wurde entschieden, diesen Sachverhalt nicht zu adressieren: die Clients, die die Dateien abrufen sollten exakt das bekommen, was vorher an unsere Komponente übermittelt wurde. Ich wollte trotzdem wissen, ob man diese Tatsache in Java irgendwie detektieren könnte.

Die Frage war also: kann man mit Java und Bordmitteln ermitteln, welches Encoding für eine vorgegebene XML-Datei das passende ist? Ich analysierte das mit dem java.beans.XMLDecoder und seinem Gegenstück, dem java.beans.XMLEncoder.

Ich fand im Internet zwei Ressourcen aus denen ich mit leichten Abwandlungen meine eigene Lösung erstellte:

public static java.lang.String findCorrectEncoding(java.io.InputStream is,
    java.util.Collection<java.lang.String> possibleCharsetNames) throws IOException
{
    java.lang.String rv=null;

java.io.ByteArrayOutputStream baos = new java.io.ByteArrayOutputStream();

de.elbosso.util.Utilities.copyBetweenStreams(is, baos, true);

byte[] bytes = baos.toByteArray();

java.nio.CharBuffer out = java.nio.CharBuffer.wrap(new char[bytes.length * 4 + 1]); for(java.lang.String charsetName:possibleCharsetNames) { java.nio.charset.CharsetDecoder ebcdicDecoder = java.nio.charset.Charset.forName(charsetName).newDecoder(); ebcdicDecoder.onMalformedInput(java.nio.charset.CodingErrorAction.REPORT); ebcdicDecoder.onUnmappableCharacter(java.nio.charset.CodingErrorAction.REPORT);

java.nio.charset.CoderResult result = ebcdicDecoder.decode(java.nio.ByteBuffer.wrap(bytes), out, true); if (result.isError() || result.isOverflow() || /*result.isUnderflow() ||*/ result.isMalformed() || result.isUnmappable()) { if(CLASS_LOGGER.isTraceEnabled()) CLASS_LOGGER.trace("Cannot decode " + charsetName); } else { result = ebcdicDecoder.flush(out); if (result.isOverflow()) if(CLASS_LOGGER.isTraceEnabled()) CLASS_LOGGER.trace("Cannot decode " + charsetName); if (result.isUnderflow()) { if(CLASS_LOGGER.isTraceEnabled()) CLASS_LOGGER.trace("Successfully decoded " + charsetName); rv=charsetName; break; } } } return rv; }

Damit ist es möglich, eine Menge valider Encodings zu übergeben und diese Methode liefert das erste, mit dem sich alle enthaltenen Bytes als gültige Zeichen interpretieren lassen zurück.

Alle Artikel rss Wochenübersicht Monatsübersicht Codeberg Repositories Mastodon Über mich home xmpp


Vor 5 Jahren hier im Blog

  • GeoJSON in EBMap4D

    31.07.2021

    Ich habe die Anwendung EBMap4D einer Generalüberholung unterzogen und neue Features hinzugefügt...

    Weiterlesen

Neueste Artikel

  • Automatische Konvertierung von JavaScript nach Java

    Ich halte mich von den Themen Artificial Intelligence und Machine Learning (Large Language Models) ja fern so gut es geht - vor allem, weil ich das mal studiert habe. Manchmal überkommt mich aber die Neugierde - das Resultat war bisher immer schlechte Laune.

    Weiterlesen
  • OCR Workflow in der sQLshell

    Wie bereits in einem früheren Artikel beschrieben habe verfügt die sQLshell über eine Integration zur Erfassung von Daten aus Dokumentendirekt per Optical Character Recognition. Ich habe diese Integration weiter verfeinert und möchte hier einen exemplarischen Workflow für diese Möglichkeit zeigen

    Weiterlesen
  • Docker-Services im Homelab

    Diese Seite wird mit allen derzeit in meinem Self-Hosting Homelab betriebenen Services auf Docker-Basis befüllt (Eigenentwicklungen werden nicht genannt, sofern sie keine öffentlich verfügbaren Open-Source-Lösungen darstellen).

    Weiterlesen

Manche nennen es Blog, manche Web-Seite - ich schreibe hier hin und wieder über meine Erlebnisse, Rückschläge und Erleuchtungen bei meinen Hobbies.

Wer daran teilhaben und eventuell sogar davon profitieren möchte, muss damit leben, daß ich hin und wieder kleine Ausflüge in Bereiche mache, die nichts mit IT, Administration oder Softwareentwicklung zu tun haben.

Ich wünsche allen Lesern viel Spaß und hin und wieder einen kleinen AHA!-Effekt...

PS: Meine öffentlichen Codeberg-Repositories findet man hier.