Question

我想在java中解析包含二进制数据的xml文件：这是xml文件的一个示例：

<?xml version="1.0" encoding="utf-8"?>
<documents>
  <document>
    <element name="docid">
      <value><![CDATA[0902307e8004c74c]]></value>
    </element>
    <element name="published">
      <value><![CDATA[2012-01-01T00:00:00]]></value>
    </element>
    <element name="documenttype">
      <value><![CDATA[Circular]]></value>
    </element>
    <element name="data">
      <value><![CDATA[%PDF-1.6
%����
1020 0 obj
<</Filter/FlateDecode/First 20/Length 270/N 3/Type/ObjStm>>stream
�o^���)|�,�Ypoef�
l���o�>����u���b"Cb�|���%&��D�yD��q�q�q�q�q��%_ja�LJob��/��3"=����o���]V11}�    }a�+'6@����C�,^}�d%�۠�`s��q��5�׷^(�N��{S<S�����A��������-������f\ڌ��|U/݌�z���f�I9����g�g���s���0z'��X~
endstream
endobj
startxref
55097
%%EOF
]]></value>
    </element>
    <element name="dataname">
      <value><![CDATA[sdfsfsfsdsdfsd.pdf]]></value>
    </element>
  </document>
</documents>

通常我会解析这样的xml文件：

Document doc = null;
DocumentBuilder documentBuilder = null;
documentBuilderFactory = DocumentBuilderFactory.newInstance();
        try {
            documentBuilder = documentBuilderFactory.newDocumentBuilder();
        } catch (ParserConfigurationException e) {
            e.printStackTrace();
        }
try {

            doc = documentBuilder.parse(fastXMLFile);

        } catch (SAXException e) {
            System.out.println("SAXExept");
            e.printStackTrace();
        } catch (IOException e) {
            System.out.println("Test");
            return;
        }

但是由于包含二进制数据的“data”元素，调试器告诉我：

[Fatal Error] xmlfile.xml:58:10: An invalid XML character (Unicode: 0x1a) was found in the CDATA section.
SAXExept
org.xml.sax.SAXParseException: An invalid XML character (Unicode: 0x1a) was found in the CDATA section.

我现在不需要解析这个数据字段，我可以跳过它。我只是想解析其余的数据。这可能吗？

Answer 1

由于您的XML包含无效字符（如异常所示），因此您不能指望库成功解析它。由于您无法更改XML文件创建过程，并且由于您无法看到搜索引擎的代码，因此我认为最简单的方法是从XML中删除无效字符。

所以过程将是：

1-将XML的内容读入字符串

解析String并删除所有无效的Charachters

3-将String写回文件。如果无法修改原始文件，请创建新文件

解析修改后的/新文件。

要替换无效字符，请参阅以下链接，因为它还包含一种方法。

Invalid XML Characters: when valid UTF8 does not mean valid XML

Answer 2

您的XML文档无效。 PDF数据应为base64编码或HEX。除了更改文档外，我认为没有解决方案。

此致

Java：在解析时跳过xml文件中的二进制数据

2 个答案: