No puedo entender estos problemas de codificación XML
-
05-07-2019 - |
Pregunta
El siguiente fragmento de código (cortado por brevedad) genera un documento xml y lo escupe en un archivo. Si abro el archivo en Visual Studio, parece estar en caracteres chinos. Si lo abro en el Bloc de notas, se ve como se esperaba. Si I Console.WriteLine parece correcto.
Sé que está relacionado con la codificación, pero pensé que tenía todos los patos de codificación seguidos. ¿Qué falta?
StringBuilder stringBuilder = new StringBuilder();
XmlWriterSettings settings = new XmlWriterSettings();
settings.Encoding = Encoding.Unicode;
settings.Indent = true;
settings.IndentChars = "\t";
using (XmlWriter textWriter = XmlWriter.Create(new StringWriter(stringBuilder), settings))
{
textWriter.WriteStartElement("Submission");
textWriter.WriteAttributeString("xmlns", "xsi", null, "http://www.w3.org/2001/XMLSchema-instance");
textWriter.WriteEndElement();
}
using (StreamWriter sw = new StreamWriter(new FileStream(fileName, FileMode.Create, FileAccess.Write, FileShare.None)))
{
sw.Write(stringBuilder.ToString());
}
Solución
El problema es que lo estás escribiendo en disco usando UTF-8, pero reclamará que será UTF-16 porque eso es lo que un StringWriter
usa de forma predeterminada, y porque lo está configurando explícitamente para usar Encoding.Unicode
también.
La forma más sencilla de solucionar esto es usar un StringWriter que se anuncia como UTF-8:
public class Utf8StringWriter : StringWriter
{
public override Encoding
{
get { return Encoding.UTF8; }
}
}
... y luego elimine la línea settings.Encoding = Encoding.Unicode
. De esa manera usarás UTF-8 en todo momento. (De hecho, la propiedad Encoding
de XmlWriterSettings
se ignora cuando crea el XmlWriter
con un TextWriter
de todos modos).
Si realmente quiere UTF-16, cuando cree el StreamWriter
, especifique también Encoding.Unicode
.
Otros consejos
No estoy seguro de qué es Encoding.Unicode
pero supongo que es UTF-16 que escribe dos bytes por carácter en el archivo. Para el texto ASCII normal, uno de los bytes es siempre 0.
Pruebe UTF-8
en su lugar. Esto debería verse igual en cualquier editor a menos que use caracteres especiales (con un punto de código > = 128).