Question

后台：我使用Ruby的Nokogiri gem来解析XML文件。我遇到的问题是，当字符串包含>时，SAX解析器会返回不完整的结果，>是<element>PART1PART2</element> #=> returns "PART1PART2" <element>PART3>PART4</element> #=> returns "PART3"的HTML编码。例如：

require 'nokogiri'
class MySample < Nokogiri::XML::SAX::Document
  def characters(string)
    puts string
  end
end
# Create a new parser
parser = Nokogiri::XML::SAX::Parser.new(MySample.new)
# Feed the parser some XML
parser.parse_file(ARGV[0])

我的解析器看起来像这样：

研究：如果字符串包含>，那么Nokogiri认为该字符串的结尾。在字符串中使用>将被视为格式不正确的XML。但是，我的XML格式正确，但Nokogiri认为>标记了字符串的结尾。这意味着Nokogiri在解析字符串之前解释HTML（将>转换为>）。

问题：为什么Nokogiri会解释>的HTML，如何确保它解析完整的字符串？

1年更新（FWIW）

自从我第一次发布这个问题以来已经过去了一年多，而且此时我还没有找到对我原来问题的确切答案。因此，我认为我会为将来遇到这篇文章的人提供一些更新。请记住，我严格来说是SAX解析，而不是DOM解析。

重点：

最初的问题是关于Nokogiri v1.6.1。最新版本（撰写本文时）是v1.6.6，但问题仍未解决。
但是这个问题有一个解决方法（请参阅下面的matt注释），但如果并非所有字符串的格式都相同（例如一个字符串），那么实现起来会很棘手包含>一次，另一个字符串包含>两次，等等。）
我简要地测试了另一个名为Ox的Ruby解析器，发现它与Nokogiri没有相同的问题。实际上它正确处理包含>的字符串。此外，它还可以处理包含>的字符串。作为奖励，it appears to perform faster than Nokogiri (but it's not without its faults)。

底线：

如果你和Nokogiri有类似的问题，那么我建议你选择牛作为替代品。我不会争辩说一颗宝石比另一颗宝石更好（这不是它的用途）。但是，我可以保证Ox能够处理包含>和/或{{1}}的字符串。

Answer 1

您没有说明为什么要尝试使用SAX解析器。 Nokogiri在使用DOM解析器解析文档时正确处理文档：

require 'nokogiri'

doc = Nokogiri::XML(<<EOT)
<root>
  <element>PART1PART2</element>
  <element>PART3&gt;PART4</element>
</root>
EOT

puts doc.to_xml
# >> <?xml version="1.0"?>
# >> <root>
# >>   <element>PART1PART2</element>
# >>   <element>PART3&gt;PART4</element>
# >> </root>

您可能需要与their mail-list上的开发人员联系。

Ruby Nokogiri SAX解析器在＆＃34;＆gt;＆＃34;处截断字符串（又名＆＃34;＆gt;＆＃34;）

1 个答案: