Question

我正在处理非常大的XML文件，所以我需要使用SAX / evented XML解析器。 Nokogiri :: XML :: SAX似乎是一个明显的选择，但是，SAX解析器似乎扼杀了小错误，甚至常规XML解析器的错误都可以从中恢复。

在下面的示例中，url的{{1}}属性有一个<property>，应该真正转义为&。 Nokogiri :: XML仍然能够解析&中的元素，但Nokogiri :: XML :: SAX似乎放弃了，并且永远不会触发<property>中元素的事件。

<property>

上面的脚本应输出：

require 'nokogiri'

class Doc < Nokogiri::XML::SAX::Document
  include Enumerable

  def initialize(xml)
    @xml = xml
  end

  def each(&block)
    @on_record = block
    parse(@xml)
  end

  def parse(xml)
    parser = Nokogiri::XML::SAX::Parser.new(self)
    parser.parse(xml)
  end

  def end_element(name)
    @on_record.call(name) if name == "details"
  end

  def error(str)
    puts str
  end
end

xml = <<XML
<?xml version="1.0" encoding="UTF-8"?>
<streeteasy version="1.5">
  <properties>
    <property url="http://example.com/?foo=bar&yin=yang">
      <location>Somewhere</location>
      <details>Information goes here</details>
    </property>
  </properties>
</streeteasy>
XML

puts Doc.new(xml).count # => 0, but should be 1
puts Nokogiri::XML(xml).xpath("//details").count # => 1

但是，我得到了：

1
1

有没有办法让Nokogiri忽略这些小错误？在Ruby中是否有更好的SAX / push / pull / evented XML解析选项可以忽略这些错误？

Answer 1

使用Nokogiri的HTML SAX解析器。

更改此行

parser = Nokogiri::XML::SAX::Parser.new(self)

到这一行

parser = Nokogiri::HTML::SAX::Parser.new(self)

HTML解析器显然在恢复模式下运行libxml，并且能够从错误中恢复。这允许该示例输出所需的1/1，尽管有一些关于非标准“html”标签的抱怨。

Tag streeteasy invalid
Tag properties invalid
htmlParseEntityRef: expecting ';'
Tag property invalid
Tag location invalid
Tag details invalid
1
1

<强>更新

事实证明这适用于我的设计示例，但只要Nokogiri::HTML::SAX::Parser#parse传递IO而不是String，它就像XML版本一样扼杀错误。我无法将文件加载到内存中......这违背了使用SAX解析器的全部目的。所以，不要接受我自己的答案。

Answer 2

SAX Parser的行为略有不同，您实际上可以将其设置为从任何错误中恢复。您还可以使用错误处理程序方法来处理特定错误。

class MyDoc < Nokogiri::XML::SAX::Document
  def error(error)
    puts "An error occurred: #{error}"
  end

  def start_element(name, attributes = [])
    puts "found a #{name}"
  end
end

parser = Nokogiri::HTML::SAX::Parser.new(MyDoc.new)
parser.parse(open(url)) do |ctx|
  ctx.recovery = true
end

如何使Nokogiri的SAX解析器不那么严格？

2 个答案: