Windows-1252编码下XML解析报UTF-8字节序列错误问题咨询

该报错和JVM默认编码设置无关，核心是XML解析规则和你传入的字节流编码不匹配：

• XML规范明确规定，当XML内容没有显式声明编码时，解析器默认会采用UTF-8对传入的字节流进行解码，该规则不受JVM默认编码配置影响。
• 你将包含Æ、Ç、Ë等特殊字符的字符串按Windows-1252编码转为了字节数组，这类特殊字符在Windows-1252中为单字节存储，但部分字节的取值刚好符合UTF-8多字节序列的首字节规则，解析器按UTF-8规则校验时发现后续字节不符合编码要求，因此抛出无效UTF-8序列的报错。
• Vaadin前端可以正常显示字符是因为Web渲染层独立遵循Windows-1252编码处理展示逻辑，和XML解析环节的编码规则完全无关。

可根据业务场景选择以下任意一种方案处理：

1. 新增XML编码声明
   在XML字符串的开头添加编码声明<?xml version="1.0" encoding="Windows-1252"?>，XML解析器会自动读取该声明，使用指定的Windows-1252编码解析字节流，无需修改后续解析逻辑。

2. 显式指定解析输入编码
   用InputSource包裹字节流后手动指定编码，示例代码如下：

byte[] xmlRawData = string.trim().getBytes(Charset.defaultCharset());
InputSource inputSource = new InputSource(new ByteArrayInputStream(xmlRawData));
// 显式指定编码和字节流编码保持一致
inputSource.setEncoding("Windows-1252");
Element element = DocumentBuilderFactory.newInstance()
        .newDocumentBuilder()
        .parse(inputSource)
        .getDocumentElement();

3. 统一编码为UTF-8（推荐长期方案）
   如果没有必须兼容Windows-1252的遗留业务约束，建议全链路统一使用UTF-8编码避免后续编码兼容问题：

• 修改setenv.sh中的JVM编码参数为UTF-8
• 转字节数组时显式指定StandardCharsets.UTF_8，不依赖环境的默认编码配置

内容的提问来源于stack exchange，提问作者Hasintha Samith Randika