Scala - обработка спецификации UTF-8 в строке, загруженной из файла

Проблема: правильная обработка спецификации UTF-8 при загрузке файла в строку Scala. Строка будет использоваться в качестве входных данных в XML.

Примечание. При вызове scala.xml.XML.loadString () происходит сбрасывание стека, если я не удаляю спецификацию из строки.

Ищу совет, как правильно загрузить файл в строку. Мне известно о scala.xml.XML.loadFile (), который правильно загружает файл со спецификацией в XML, но сначала мне нужно выполнить предварительную обработку строки.

Версия Scala: 2.11.8

Код:

import scala.xml.XML
import scala.compat.Platform.EOL

object Test {
        val filename = "Tags_small.xml"         // BOM present
        // val filename = "Tags_test.xml"       // BOM removed

        def main(args: Array[String]) {
                // The Tags.xml has BOM at the start of the file
                // The replace() removes the UTF-8 BOM. 
                // FIX: Not elegant, but works for now

                val lines = readFile(filename)

                val xml = scala.xml.XML.loadString(
                            lines.replace("\u00EF\u00BB\u00BF", ""))

                println(xml + EOL)
        }

        def readFile(filename: String): String = {
                val bufferedSource = io.Source.fromFile(filename)
                val lines = bufferedSource.mkString
                bufferedSource.close
                return lines
        }
}

Шестнадцатеричное отображение входных данных (всего три строки). Обратите внимание, что первые три байта - это спецификация UTF-8:

0000: EF BB BF 3C 3F 78 6D 6C - 20 76 65 72 73 69 6F 6E   ...<?xml -  version
0010: 3D 22 31 2E 30 22 20 65 - 6E 63 6F 64 69 6E 67 3D    = "1.0" e - ncoding=
0020: 22 75 74 66 2D 38 22 3F - 3E 0D 0A 3C 74 61 67 73   "utf-8"? - >..<tags

[РЕДАКТИРОВАТЬ 20.08.2018 с последней попыткой]

Я изменил readFile, чтобы использовать apache.commons BOMInputStream, и это работает. Однако у меня нет опыта работы с этой библиотекой и ее влияния на мой код (Apache Spark).

import java.io.FileInputStream
import java.io._
import org.apache.commons.io.input.BOMInputStream

    def readFile(filename: String): String = {
            val inStream = new FileInputStream(filename)

            val content = io.Source.fromInputStream(
                            new BOMInputStream(inStream)).mkString

            inStream.close()

            content
    }

Я бы пошел с вашим использованием BOMInputStream, он разработан для вашего варианта использования - apache.commons.io на самом деле является зависимостью для Spark-core, а также многих других библиотек - mvnrepository.com/artifact/commons-io/commons-io/usages

jacks 21.08.2018 01:20

Спасибо. Теперь добавим тесты для проверки нового кода.

John Hanley 21.08.2018 01:22

Для тех из вас, кто следит за этим потоком, в следующие несколько дней я собираюсь довольно глубоко изучить, как Unicode и текстовые файлы загружаются в память в виде байтовых массивов и строк. Я опубликую свои результаты, как только завершу это. Я считаю, что bufferedSource.mkString должен был обработать этот случай. Теперь узнаем, что он поддерживает, а что не поддерживает. То же самое и для BOMInputStream. Возможно, проблема заключается в scala.xml.XML.loadString и его обработке Unicode.

John Hanley 21.08.2018 03:08

Тестовые файлы, которые я использую, взяты из дампов данных StackOverflow. archive.org/download/stackexchange

John Hanley 21.08.2018 03:10
Стоит ли изучать PHP в 2026-2027 годах?
Стоит ли изучать PHP в 2026-2027 годах?
Привет всем, сегодня я хочу высказать свои соображения по поводу вопроса, который я уже много раз получал в своем сообществе: "Стоит ли изучать PHP в...
Поведение ключевого слова "this" в стрелочной функции в сравнении с нормальной функцией
Поведение ключевого слова "this" в стрелочной функции в сравнении с нормальной функцией
В JavaScript одним из самых запутанных понятий является поведение ключевого слова "this" в стрелочной и обычной функциях.
Приемы CSS-макетирования - floats и Flexbox
Приемы CSS-макетирования - floats и Flexbox
Здравствуйте, друзья-студенты! Готовы совершенствовать свои навыки веб-дизайна? Сегодня в нашем путешествии мы рассмотрим приемы CSS-верстки - в...
Тестирование функциональных ngrx-эффектов в Angular 16 с помощью Jest
В системе управления состояниями ngrx, совместимой с Angular 16, появились функциональные эффекты. Это здорово и делает код определенно легче для...
Концепция локализации и ее применение в приложениях React ⚡️
Концепция локализации и ее применение в приложениях React ⚡️
Локализация - это процесс адаптации приложения к различным языкам и культурным требованиям. Это позволяет пользователям получить опыт, соответствующий...
Пользовательский скаляр GraphQL
Пользовательский скаляр GraphQL
Листовые узлы системы типов GraphQL называются скалярами. Достигнув скалярного типа, невозможно спуститься дальше по иерархии типов. Скалярный тип...
1
4
964
0

Другие вопросы по теме