Проблем с charset и rome (rss/atom feeds)

Не знам рим (можехте да поставите връзка във въпроса си). ISO-8859-1 трябва да е правилното кодиране, което да използвате за емисията, която сте свързали. Но вашата библиотека не поддържа ли InputStream като източник (така че сама ще търси правилното кодиране от преамбюла на XML)?

Възможно ли е изходът да е изкривен, след като се обработва от изхода на вашата програма? Може ли да напишете

System.out.println("S\u00e3o Paulo");

във вашата програма и докладвайте нейния резултат? (Трябва да е „Сао Пауло“, ако комбинацията ви Java + конзола е конфигурирана правилно.)

И така, сега изтеглих и компилирах Рим (което отне половин час изтегляне на други неща от Maven) и мога да възпроизведа проблема. Изглежда, че методът build, който взема Reader, има проблеми.

Ето един вариант, който работи (ако rome, jdom и xerces са в пътя на класа):

package de.fencing_game.paul.examples.rome;

import org.xml.sax.InputSource;

import java.nio.charset.Charset;
import java.io.*;
import java.net.*;

import com.sun.syndication.io.*;
import com.sun.syndication.feed.synd.*;

public class RomeTest {

    public static void main(String[] ignored)
        throws IOException, FeedException
    {
        String charset = "UTF-8";
        String url = "http://oglobo.globo.com/rss/plantaopais.xml";


        InputStream is = new URL(url).openConnection().getInputStream();
        InputSource source = new InputSource(is);

        SyndFeedInput input = new SyndFeedInput();
        SyndFeed feed = input.build(source);

        System.out.println("description: " + feed.getDescription());
    }


}

Като използва InputSource с InputStream вместо Reader, анализаторът сам открива правилния набор от знаци и го прави правилно.

Разровявайки се малко в източника, изглежда, че нашият SyndFeed предава Reader или InputSource на JDOM, който от своя страна го предава на SAX XMLReader, който изглежда се обърква, ако се сблъска с Reader, който се представя с <?xml ... encoding="ISO-8859-1" ?>. След това се разрових в източника на Xerces (който изглежда е този, използван тук), но не намерих нищо подозрително, което да причини това.