[XSLT] Errore lettere accentate

[matthew80]

Salve,

attraverso la libreria xalan e l'xslt trasformo un file xml in txt, ma purtroppo le lettere accentate del testo mi danno problemi.
Ho usato la codifica UTF-8 ed ho salvato i file xml ed xmlt come UTF-8 in notepad...ma niente

In breve ecco il metodo per la trasformazione

public void transform(String source, String stylesheet, String output)
    throws [...] {

        TransformerFactory tFactory = TransformerFactory.newInstance();
    Transformer transformer = tFactory.newTransformer(new StreamSource(
        stylesheet));
    transformer.transform(new StreamSource(source), new StreamResult(
        new FileOutputStream(output)));        
} 

Questo è il file xml (l'ho abbreviato):

<?xml version="1.0" encoding="UTF-8"?>
<messaggio>
    Questo  è il contenuto del messaggio, perciò spero funzioni. 
    perciò questa è una e congiunzione, questa è una e verbo. 
</messaggio>

Questo il file xslt:

<?xml version="1.0" encoding="UTF-8"?> 
<xsl:stylesheet version="1.0" xmlns:xsl="http://www.w3.org/1999/XSL/Transform">
<xsl:output method="text"/>
    
    <xsl:template match="/">
    <xsl:apply-templates/>
     </xsl:template>
    
     <xsl:template match="messaggio">
     <xsl:value-of select="."/>
     </xsl:template>

</xsl:stylesheet>

...e questo è il mio risultato

Questo  è il contenuto del messaggio, perciò spero funzioni. 
perciò questa è una e congiunzione, questa è una e verbo. 

Qualche anima pia che sa come risolvere?

Grazie dell'attenzione,
Matteo

[andbin]

Originariamente inviato da matthew80
...e questo è il mio risultato

Questo  è il contenuto del messaggio, perciò spero funzioni. 
perciò questa è una e congiunzione, questa è una e verbo. 

È UTF-8!!. Quindi se il documento di output non lo vuoi in UTF-8 ... allora quale charset vuoi???

[matthew80]

Ops...
Io lo vorrei "normale", cioè con le lettere accentate:

Questo  è il contenuto del messaggio, perciò spero funzioni.
perciò questa è una e congiunzione, questa è una e verbo. 

[andbin]

Originariamente inviato da matthew80
Io lo vorrei "normale", cioè con le lettere accentate:

E io ripeto la domanda: con quale charset?? ISO-8859-1?? Windows-1252 (che è un superset del ISO-8859-1)?? CP-850? Altro?

Dove devi visualizzarlo/usarlo questo documento??

[matthew80]

Questo documento devo essere letto da un programma di TTS. Quindi il testo sarà convertito in voce e le lettere accentate devono essere lette come lettere accentate, ecc....insomma io voglio che quello che sta scritto nel file XML sia identico a quello che sta scritto nel file TXT.
Il file TXT infatti sarà passato così com'è al server vocale TTS.
In realtà la mia conversione del file XML è più complessa, ma nel forum ho semplificato per non tediare chi legge, ma la sostanza è la stessa.

[andbin]

Originariamente inviato da matthew80
insomma io voglio che quello che sta scritto nel file XML sia identico a quello che sta scritto nel file TXT.

Ehm ... forse non ti è chiara la questione dei charset. È inutile dire che il testo lo vuoi "normale" (che già non ha senso ... che vuol dire?) o che lo vuoi "identico".

Bisogna stabilire un charset. Se il documento fosse da visualizzare su un editor grafico di Windows, allora è appropriato il charset Windows-1252 o al massimo ISO-8859-1. Se il documento fosse da visualizzare con l'Edit in una console, allora bisogna vedere quale è il charset usato nella console. Almeno qui in Italia (e in altri paesi dell'Europa), la console generalmente usa il charset CP-850.

La 'è' si codifica con:
- 8Ah in CP-850
- E8h in ISO-8859-1 / Windows-1252
- C3h A8h in UTF-8
ecc...

Insomma ... cambia! E se lo scrivi in CP-850, lo vedi correttamente con l'Edit in una console ma non lo vedi correttamente con Notepad. E viceversa, se lo scrivi in Windows-1252, lo vedi bene con Notepad ma non con l'Edit.

Originariamente inviato da matthew80
Il file TXT infatti sarà passato così com'è al server vocale TTS.

E allora devi andare a vedere la documentazione di questo TTS per capire se si aspetta il testo in un qualche charset specifico o se lo puoi configurare/specificare tu in qualche modo!

Una volta che hai capito in quale charset devi/puoi generare il documento di output, allora metti, es.:

<xslutput method="text" encoding="ISO-8859-1"/>

Punto.

[matthew80]

Grazie andbin,

anche se non ho ancora risolto, almeno sto capendo qualcosa...
Allora, poniamo che questo file TXT che genero lo devo leggere con il notepad.
Se creo un file XML come questo:

<?xml version="1.0" encoding="ISO-8859-1"?>
<messaggio>
    Questo  &egrave; ...
</messaggio>

ed il file XSLT:

<?xml version="1.0"?> 
<xsl:stylesheet version="1.0" xmlns:xsl="http://www.w3.org/1999/XSL/Transform">
<xsl:output method="text" encoding="ISO-8859-1"/>    
    [...]
</xsl:stylesheet>

Poi non mi crea più il file TXT e nel fare la trasformazione mi ritrovo questo errore:

[Fatal Error] documento.xml:3:21: The entity "egrave" was referenced, but not declared. 

Insomma che dovrei scrivere nell'XML al posto di &egrave;? Tu hai detto E8h ma non ho trovato nessun esempio che parlasse di E8h.

[matthew80]

Sorry

Se nel file XML scrivo

<?xml version="1.0" encoding="ISO-8859-1"?>
<messaggio>
    Questo  è ...
</messaggio>

e nel file XSLT

<?xml version="1.0"?> 
<xsl:stylesheet version="1.0" xmlns:xsl="http://www.w3.org/1999/XSL/Transform">
<xsl:output method="text" encoding="ISO-8859-1"/>
    [...]
</xsl:stylesheet>

Lo leggo tranquillamente. Volendo posso anche passargli codici come ad esempio 233 per la é.

Ora faccio qualche altra prova e ti faccio sapere.
Super grazie

[andbin]

Originariamente inviato da matthew80
Se creo un file XML come questo:

<?xml version="1.0" encoding="ISO-8859-1"?>
<messaggio>
    Questo  &egrave; ...
</messaggio>

Eh no. Intanto il documento XML lo puoi scrivere nel charset che ti pare. Non deve per forza essere uguale al charset da usare per il documento di output!!!

Poi mi sembra ovvio che se scrivi il documento XML ad esempio in UTF-8 ma l'output lo fai in ISO-8859-1, devi stare attento a non scrivere caratteri che poi non sono rappresentabili in ISO-8859-1.
Con UTF-8 puoi rappresentare tutti i code point Unicode. Con ISO-8859-1 (e altri charset single-byte) no, ovviamente.

In XML non ci sono le entità & egrave; ecc... predefinite. Se si vuole si possono dichiarare delle entità ma è da fare in modo esplicito (e non so quanto ti possa essere utile).

Quindi non mettere le entità HTML! Non so con quale editor scrivi il documento XML ma l'editor un charset lo usa, è chiaro. Scrivi i caratteri speciali normalmente, tramite tastiera se hai la italiana ha il tasto con la "è", e metti nel encoding="..." del file XML lo stesso charset usato dall'editor.