XML文件读取乱码且报String index out of range: -1错误求助

核心问题定位 #

开头的ÿþ是UTF-16LE编码的字节顺序标记（BOM），本地编辑器会自动识别并隐藏BOM，但你的代码读取时未处理编码和BOM，导致BOM被当成普通字符保留在字符串开头，进而让indexOf("<FatturaElettronicaHeader>")返回-1（目标字符串前多了BOM字符，匹配失败），触发下标越界错误。

之前的几千个文件都是无BOM的UTF-8或系统默认编码格式，所以第一种方式能正常工作，但这个特殊文件是带BOM的UTF-16LE编码，导致所有未指定正确编码的读取方式失效。

具体解决步骤 #

1. 明确文件编码与BOM处理

该文件的编码是UTF-16LE，开头的ÿþ对应字节0xFF 0xFE（UTF-16LE的BOM标识），读取时需要：

• 指定UTF-16LE编码解析字节
• 跳过或移除开头的BOM字符（避免干扰后续字符串匹配）

2. 修复读取代码

以下是两种可行的修复方案：

方案一：基于Files.readAllBytes处理

直接读取字节后，跳过BOM再转换为UTF-16LE字符串：

private static String readFile(File file, Writer writerArg) throws IOException {
    byte[] bytes = Files.readAllBytes(Paths.get(file.getAbsolutePath()));
    int offset = 0;
    // 检测并跳过UTF-16LE的BOM（前两个字节为0xFF 0xFE）
    if (bytes.length >= 2 && bytes[0] == (byte) 0xFF && bytes[1] == (byte) 0xFE) {
        offset = 2;
    }
    String data = new String(bytes, offset, bytes.length - offset, StandardCharsets.UTF_16LE);
    writerArg.write(data);
    return data;
}

方案二：基于InputStreamReader指定编码并移除BOM

用UTF-16LE编码读取后，手动移除开头的BOM字符（UTF-16LE的BOM解析后是\uFEFF）：

private static String readFile(File file, Writer writerArg) throws IOException {
    try (FileInputStream fis = new FileInputStream(file);
         BufferedReader br = new BufferedReader(new InputStreamReader(fis, StandardCharsets.UTF_16LE))) {
        String data = br.lines().collect(Collectors.joining("\n"));
        // 移除开头的BOM字符
        if (data.startsWith("\uFEFF")) {
            data = data.substring(1);
        }
        writerArg.write(data);
        return data;
    }
}

3. 通用优化（可选）

如果后续可能遇到其他带BOM的编码文件，可以添加通用BOM检测逻辑，自动匹配编码：

// 简单BOM检测逻辑
private static Charset detectCharset(byte[] bytes) {
    if (bytes.length >= 3 && bytes[0] == (byte)0xEF && bytes[1] == (byte)0xBB && bytes[2] == (byte)0xBF) {
        return StandardCharsets.UTF_8;
    } else if (bytes.length >= 2) {
        if (bytes[0] == (byte)0xFF && bytes[1] == (byte)0xFE) {
            return StandardCharsets.UTF_16LE;
        } else if (bytes[0] == (byte)0xFE && bytes[1] == (byte)0xFF) {
            return StandardCharsets.UTF_16BE;
        }
    }
    // 默认返回系统编码，或根据XML声明中的encoding属性判断（更准确）
    return Charset.defaultCharset();
}

可以结合XML声明中的encoding属性进一步验证编码，确保读取准确性。

为什么之前的方式失效？ #

• 第一种方式FileReader使用系统默认编码（通常是UTF-8）读取UTF-16LE文件，必然出现乱码
• 第二种方式中isr.getEncoding()获取的是系统默认编码（而非文件实际编码），后续用错误编码读取，结果依然乱码
• 第三种方式new String(bytes)同样依赖系统默认编码，无法解析UTF-16LE的字节流，导致BOM和内容都乱码

内容的提问来源于stack exchange，提问作者Scripta14