从GCS Blob存储转换XML为字符串时特殊字符显示异常求助

你遇到的乱码问题（比如希伯来语原文עם פרסום דוחות רווח变成×¢× ×¤×¨×¡×•× ×“×•×—×•×ª ר）通常是编码不匹配或中间环节编码处理错误导致的，以下是需要排查的关键环节：

1. 确认XML文件的实际编码是否为UTF-8 #

你强制用UTF-8解析字节流，但如果XML文件本身不是UTF-8编码（比如GBK、ISO-8859-1、Windows-1255等），必然会出现乱码：

• 查看XML文件开头的声明，比如是否有<?xml version="1.0" encoding="Windows-1255"?>（希伯来语常用编码）；
• 如果没有声明，用文本工具（如Notepad++）打开文件，查看实际编码格式；
• 读取时使用对应编码，比如文件是Windows-1255的话，替换为：

  String blobContent = new String(fileByteContent, Charset.forName("Windows-1255"));
  

2. 检查GCS Blob的元数据是否存在编码/压缩问题 #

GCS Blob的元数据可能影响内容读取：

• 检查Content-Type的charset：调用blob.getContentType()，确认是否包含正确的字符集，比如text/xml; charset=utf-8。如果返回的是text/xml不带charset，GCS可能默认用ISO-8859-1存储，这时候需要用对应编码读取；
• 检查是否启用了gzip压缩：调用blob.getContentEncoding()，如果返回gzip，说明字节流是压缩过的，必须先解压再转字符串：

  byte[] compressedBytes = blob.getContent();
  try (GZIPInputStream gzipIn = new GZIPInputStream(new ByteArrayInputStream(compressedBytes))) {
      byte[] uncompressedBytes = IOUtils.toByteArray(gzipIn); // 可使用Apache Commons IO或自行实现解压
      String blobContent = new String(uncompressedBytes, StandardCharsets.UTF_8);
  }
  

3. 排查XML转JSON库的处理逻辑 #

你使用的XML.toJSONObject（推测是org.json库）可能存在编码兼容问题：

• 升级到org.json的最新版本，旧版本对非ASCII字符的处理可能存在bug；
• 转JSON后，避免直接用System.out.println(json)输出（控制台默认编码可能不是UTF-8），建议将JSON写入文件验证：

  Files.write(Paths.get("test.json"), json.toString().getBytes(StandardCharsets.UTF_8));
  

4. 确认输出/展示环节的编码 #

如果前面的步骤都正确，乱码可能出现在输出环节：

• 运行Java程序时添加参数-Dfile.encoding=UTF-8，强制控制台使用UTF-8编码；
• 如果你是在Web环境中展示，确保响应头的Content-Type设置为application/json; charset=utf-8。

内容的提问来源于stack exchange，提问作者B-Brennan