Question

我们收到一个XML String，我们需要在解组之前清理一个属性值。问题是xml的类型非常松散，并且无法保证属性将以任何特定顺序存在或甚至存在。

<message>
 <set name=".." value="garbled string" type="name" />
 <set age=".." value="32" />
 <set something=".." value="value=\"\"\"\"" />
 ..
</message>

在这个String中我需要调用一个模式，这样我只需要获取XML的value属性的字符串，编码任何特殊字符（StringEscapeUtils.escapeXml（））并替换它的值。即使值包含字符串＆＃34;值＆＃34;里面不应该导致任何正则表达式模式不匹配。

请帮忙。

Answer 1

您可以将正则表达式(?<=value\=")(?:[^"\\<]|\\"|\\\\)++(?=")与Matcher#find()结合使用，以查找XML属性value的所有值。

String input = "<message>\n <set name=\"..\" value=\"garbled string\" type=\"name\" />\n <set age=\"..\" value=\"32\" />\n <set something=\"..\" value=\"value=\\\"\\\"\\\"\\\"\" />\n ..\n</message>";
Pattern pattern = Pattern.compile("(?<=value\\=\")(?:[^\"\\\\<]|\\\\\"|\\\\\\\\|\\\\<)++(?=\")");
Matcher matcher = pattern.matcher(input);
StringBuilder convertedInput = new StringBuilder();

int trailing = 0;
while (matcher.find()) {
    String value = matcher.group();
    String convertedValue = StringEscapeUtils.escapeXml(value);

    convertedInput.append(input.substring(trailing, matcher.start()));
    convertedInput.append(convertedValue);

    trailing = matcher.end();
}

if (trailing < input.length()) {
    convertedInput.append(input.substring(trailing, input.length()));
}

System.out.println(convertedInput);

运行时，convertedInput应包含input - 具体取决于StringEscapeUtils#escapeXml(String)的功能 - 每个value属性的所有值都是转义的XML字符串。我将<添加到没有反斜杠转义的值中不得包含的字符中，否则，name="value="等属性（感谢@Thomas将其指向注释中）会导致正则表达式去干草。

有关使用的正则表达式的详细信息，请访问this链接。

Answer 2

我最近必须做类似的事情（即编码特殊字符以便让unmarshaller / parser完成它的工作）。我想出的解决方案如下：

使用流解析器（我使用woodstox）
为流式解析器提供自定义java.io.FilterReader

实施FilterReader的read方法，以便在读取特殊字符时对其进行编码，例如：

@Override
public int read(char[] cbuf, int off, int len) throws IOException {

    int charsWithoutEntity = len / 4;
    int read = super.read(myBuffer, off, charsWithoutEntity <= myBuffer.length ? charsWithoutEntity : myBuffer.length);
    int j = 0;

    for (int i = 0; i < read; i++, j++) {

        cbuf[j] = myBuffer[i];
        if (myBuffer[i] == '&') {
            cbuf[++j] = 'a';
            cbuf[++j] = 'm';
            cbuf[++j] = 'p';
            cbuf[++j] = ';';
        }
    }

    return read > 0 ? j : read;
}

我选择流解析器的原因与此问题无关，我非常确定您可以将FilterReader提供给JAXB Unmarshaller，因此相同的解决方案可能也适用于您不想/需要使用解析器的情况。

寻找正则表达式模式来清理XML字符串的一部分

2 个答案: