Question

我有很多html页面（我的意思是它的源代码），表示Java中的字符串java.Util.List。我需要将它转换为Java中的Document对象（来自包org.w3c.dom）。

我用DocumentBuilderFactory和Document：

这样做

public static org.w3c.dom.Document inputStream2Document(InputStream inputStream) throws IOException, SAXException, ParserConfigurationException {
    DocumentBuilderFactory dbf = DocumentBuilderFactory.newInstance();
    dbf.setValidating(false);
    org.w3c.dom.Document parse = dbf.newDocumentBuilder().parse(inputStream);
    return parse;
}

有些页面以正确的方式进行了转换，但是存在一个问题，即有一些其他页面具有例如错误的书写属性而且它无效（没有=“”的属性......所以它看起来像

<a href="somepage.html" someattr>

错误的书面属性称为“someattr”）。在这种情况下，我得到例外，例如

Nested exception: org.xml.sax.SAXParseException; lineNumber: 7558; columnNumber: 71; Element type "a" must be followed by either attribute specifications, ">" or "/>".

或

Nested exception: org.xml.sax.SAXParseException; lineNumber: 109; columnNumber: 32; The string "--" is not permitted within comments.

有没有办法对DocumentBuilderFactory说他应该忽略这些异常？我也希望将这些页面转换为Document，我不介意它们无效。

Answer 1

XML解析器只能解析格式良好的XML（或者，它是相同的，XHTML）。提供错误的页面格式不正确，即它们不是XML，因此XML解析器根本就不合适。

但是，如果唯一的问题是没有值的此类属性的存在，您可以尝试预处理输入文件以使用正则表达式删除这些属性。

Answer 2

<a href="somepage.html" someattr>不是XML，因此XML解析器永远无法解析它，但它确实看起来像合理的 HTML ，因此您可以尝试使用HTML解析器，例如{{3而不是XML解析器。 NekoHTML的NekoHTML上有很好的例子，展示了如何将完整的文档和HTML片段解析为DOM节点。

import org.cyberneko.html.parsers.DOMParser;
import org.xml.sax.InputSource;
import org.w3c.dom.Document;
import java.io.StringReader;

DOMParser parser = new DOMParser();
InputSource in = new InputSource(new StringReader(theHtmlString));
parser.parse(in);
Document doc = parser.getDocument();

将xml字符串传输到org.w3c.dom.Document时忽略org.xml.sax.SAXParseExceptions？

2 个答案: