如何在 Javascript 的浏览器中解析非 UTF8 XML？

Question

我有一个用 big5 编码的 XML 字符串：

atob('PD94bWwgdmVyc2lvbj0iMS4wIiBlbmNvZGluZz0iYmlnNSIgPz48dGl0bGU+pKSk5TwvdGl0bGU+')

（UTF-8 中的<?xml version="1.0" encoding="big5" ?><title>中文</title>。）

我想提取<title>的内容。我如何在浏览器中使用纯 Javascript 来做到这一点？最好有没有 jquery 或 emscripten 的轻量级解决方案。

尝试过DOMParser:

(new DOMParser()).parseFromString(atob('PD94bWwgdmVyc2lvbj0iMS4wIiBlbmNvZGluZz0iYmlnNSIgPz48dGl0bGU+pKSk5TwvdGl0bGU+'), 'text/xml')

但是 Chromium 和 Firefox 都不尊重编码属性。 DOMParser 只支持 UTF-8 是标准吗？

Answer 1

我怀疑问题不是 DOMParser，而是 atob，它无法正确解码最初是非 ascii 字符串的内容。*

您将需要使用另一种方法来获取原始字节，例如使用 https://github.com/danguer/blog-examples/blob/master/js/base64-binary.js

var encoded = 'PD94bWwgdmVyc2lvbj0iMS4wIiBlbmNvZGluZz0iYmlnNSIgPz48dGl0bGU+pKSk5TwvdGl0bGU+';
var bytes = Base64Binary.decode(encoded);

然后一些方法将字节（即解码 big5 数据）转换为 Javascript 字符串。对于 Firefox / Chrome，您可以使用 TextDecoder:

var decoder = new TextDecoder('big5'); 
var decoded = decoder.decode(bytes);

然后传递给DOMParser

var dom = (new DOMParser()).parseFromString(decoded, 'text/xml');
var title = dom.children[0].textContent;

您可以在 https://plnkr.co/edit/TBspXlF2vNbNaKq8UxhW?p=preview

看到这个

---

*理解原因的一种方式：atob没有将原始字符串的编码作为参数，因此虽然它必须在内部将base64编码数据解码为字节，但它必须做出假设这些字节是什么字符编码然后给你一个 Javascript 字符串，我相信它在内部编码为 UTF-16。