Question

我必须解析Java中的一堆XML文件，有时 - 并且无效地 - 包含HTML实体，例如—，>等等。我理解处理这个问题的正确方法是在解析之前向XML文件添加合适的实体声明。但是，我无法做到这一点，因为我无法控制这些XML文件。

当Java XML解析器遇到这样的实体时，是否存在我可以覆盖的某种回调？我还没能在API中找到一个。

我想使用：

DocumentBuilderFactory dbf = DocumentBuilderFactory.newInstance();

DocumentBuilder parser = dbf.newDocumentBuilder();
Document        doc    = parser.parse( stream );

我发现我可以覆盖resolveEntity中的org.xml.sax.helpers.DefaultHandler，但如何将其与更高级别的API一起使用？

以下是一个完整的例子：

public class Main {
    public static void main( String [] args ) throws Exception {
        DocumentBuilderFactory dbf = DocumentBuilderFactory.newInstance();
        DocumentBuilder parser = dbf.newDocumentBuilder();
        Document        doc    = parser.parse( new FileInputStream( "test.xml" ));
    }

}

使用test.xml：

<?xml version="1.0" encoding="UTF-8"?>
<foo>
    <bar>Some&nbsp;text &mdash; invalid!</bar>
</foo>

产地：

[Fatal Error] :3:20: The entity "nbsp" was referenced, but not declared.
Exception in thread "main" org.xml.sax.SAXParseException; lineNumber: 3; columnNumber: 20; The entity "nbsp" was referenced, but not declared.

更新：我一直在用JDK源代码和调试器一起探讨，而男孩，意大利面是多少。我不知道那里的设计是什么，或者是否有设计。洋葱的层数可以叠加多少层？

他们的关键类似乎是com.sun.org.apache.xerces.internal.impl.XMLEntityManager，但我找不到任何代码可以让我在使用它之前添加东西，或尝试解析实体而不通过该类。

Answer 1

为此，我会使用像Jsoup这样的库。我测试了下面的以下内容并且它有效。我不知道这是否有帮助。它可以位于：http://jsoup.org/download

public static void main(String args[]){


    String html = "<?xml version=\"1.0\" encoding=\"UTF-8\"?><foo>" + 
                  "<bar>Some&nbsp;text &mdash; invalid!</bar></foo>";
    Document doc = Jsoup.parse(html, "", Parser.xmlParser());

    for (Element e : doc.select("bar")) {
        System.out.println(e);
    }   


}

结果：

<bar>
 Some&nbsp;text — invalid!
</bar>

可以在此处找到从文件加载：

http://jsoup.org/cookbook/input/load-document-from-file

Answer 2

问题 - 1：我必须解析Java中的一堆XML文件 - 有时 - 和无效 - 包含HTML实体，例如—

XML只有five predefined entities。 —， 不在其中。它仅在纯HTML或旧JSP中使用时才有效。所以，SAX无济于事。可以使用StaX 具有基于高级迭代器的API 来完成。（收集自link）

问题 - 2：我发现我可以覆盖resolveEntity org.xml.sax.helpers.DefaultHandler，但我如何使用它 更高级别的API ？

XML的流式API，名为StaX ，是reading and writing XML Documents的API。

StaX是Pull-Parsing模型。应用程序可以通过从解析器中提取（获取）事件来控制解析XML文档。

核心StaX API属于two categories，它们列在下面。他们是

基于游标的API：它是low-level API。基于游标的API允许应用程序将XML作为标记流事件
基于迭代器的API：基于higher-level迭代器的API允许应用程序将XML作为一系列事件对象进行处理，每个事件对象都传达一段XML结构到申请。

STaX API has support for the notion of not replacing character entity references，通过IS_REPLACING_ENTITY_REFERENCES属性：

要求解析器用它们替换内部实体引用替换文本并将其作为字符报告

可以将其设置为XmlInputFactory，然后将其用于构建XmlEventReader或XmlStreamReader。

但是，API谨慎地说，此属性仅用于强制实现执行替换，而不是强制它替换它们。

你可以尝试一下。希望它能解决你的问题。对于你的情况，

的 Main.java

import java.io.FileInputStream; import java.io.FileNotFoundException; import javax.xml.stream.XMLEventReader; import javax.xml.stream.XMLInputFactory; import javax.xml.stream.XMLStreamException; import javax.xml.stream.events.EntityReference; import javax.xml.stream.events.XMLEvent; public class Main { public static void main(String[] args) { XMLInputFactory inputFactory = XMLInputFactory.newInstance(); inputFactory.setProperty( XMLInputFactory.IS_REPLACING_ENTITY_REFERENCES, false); XMLEventReader reader; try { reader = inputFactory .createXMLEventReader(new FileInputStream("F://test.xml")); while (reader.hasNext()) { XMLEvent event = reader.nextEvent(); if (event.isEntityReference()) { EntityReference ref = (EntityReference) event; System.out.println("Entity Reference: " + ref.getName()); } } } catch (FileNotFoundException e) { e.printStackTrace(); } catch (XMLStreamException e) { e.printStackTrace(); } } }

的的test.xml：

<?xml version="1.0" encoding="UTF-8"?> <foo> <bar>Some text — invalid!</bar> </foo>

<强>输出：


实体参考：nbsp

实体参考：mdash

信用转到@skaffman。

相关链接：

http://www.journaldev.com/1191/how-to-read-xml-file-in-java-using-java-stax-api

http://www.journaldev.com/1226/java-stax-cursor-based-api-read-xml-example

http://www.vogella.com/tutorials/JavaXML/article.html

Is there a Java XML API that can parse a document without resolving character entities?

<强>更新


问题 - 3：有没有办法使用StaX来“过滤”实体（替换它们）   与其他东西，例如）并仍然生成一个文件   这个过程的结束？

要使用StAX API创建新文档，需要创建一个XMLStreamWriter，它提供了生成XML开始和结束标记，属性和字符内容的方法。

文档中有 5种方法 XMLStreamWriter。

xmlsw.writeStartDocument(); - 初始化一个空文档可以添加元素

xmlsw.writeStartElement(String s) - 创建一个名为s
的新元素
xmlsw.writeAttribute(String name, String value) - 添加属性 name与a生成的最后一个元素的对应值调用writeStartElement。可以添加属性因为没有调用writeElementStart，writeCharacters或writeEndElement 已经完成了。

xmlsw.writeEndElement - 关闭最后启动的元素

xmlsw.writeCharacters(String s) - 创建一个新的文本节点 content s作为最后一个启动元素的内容。

随附一个示例：

的 StAXExpand.java

import java.io.BufferedReader; import java.io.FileReader; import java.io.IOException; import javax.xml.stream.XMLOutputFactory; import javax.xml.stream.XMLStreamException; import javax.xml.stream.XMLStreamWriter; import java.util.Arrays; public class StAXExpand { static XMLStreamWriter xmlsw = null; public static void main(String[] argv) { try { xmlsw = XMLOutputFactory.newInstance() .createXMLStreamWriter(System.out); CompactTokenizer tok = new CompactTokenizer( new FileReader(argv[0])); String rootName = "dummyRoot"; // ignore everything preceding the word before the first "[" while(!tok.nextToken().equals("[")){ rootName=tok.getToken(); } // start creating new document xmlsw.writeStartDocument(); ignorableSpacing(0); xmlsw.writeStartElement(rootName); expand(tok,3); ignorableSpacing(0); xmlsw.writeEndDocument(); xmlsw.flush(); xmlsw.close(); } catch (XMLStreamException e){ System.out.println(e.getMessage()); } catch (IOException ex) { System.out.println("IOException"+ex); ex.printStackTrace(); } } public static void expand(CompactTokenizer tok, int indent) throws IOException,XMLStreamException { tok.skip("["); while(tok.getToken().equals("@")) {// add attributes String attName = tok.nextToken(); tok.nextToken(); xmlsw.writeAttribute(attName,tok.skip("[")); tok.nextToken(); tok.skip("]"); } boolean lastWasElement=true; // for controlling the output of newlines while(!tok.getToken().equals("]")){ // process content String s = tok.getToken().trim(); tok.nextToken(); if(tok.getToken().equals("[")){ if(lastWasElement)ignorableSpacing(indent); xmlsw.writeStartElement(s); expand(tok,indent+3); lastWasElement=true; } else { xmlsw.writeCharacters(s); lastWasElement=false; } } tok.skip("]"); if(lastWasElement)ignorableSpacing(indent-3); xmlsw.writeEndElement(); } private static char[] blanks = "\n".toCharArray(); private static void ignorableSpacing(int nb) throws XMLStreamException { if(nb>blanks.length){// extend the length of space array blanks = new char[nb+1]; blanks[0]='\n'; Arrays.fill(blanks,1,blanks.length,' '); } xmlsw.writeCharacters(blanks, 0, nb+1); } }

的 CompactTokenizer.java

import java.io.Reader; import java.io.IOException; import java.io.StreamTokenizer; public class CompactTokenizer { private StreamTokenizer st; CompactTokenizer(Reader r){ st = new StreamTokenizer(r); st.resetSyntax(); // remove parsing of numbers... st.wordChars('\u0000','\u00FF'); // everything is part of a word // except the following... st.ordinaryChar('\n'); st.ordinaryChar('['); st.ordinaryChar(']'); st.ordinaryChar('@'); } public String nextToken() throws IOException{ st.nextToken(); while(st.ttype=='\n'|| (st.ttype==StreamTokenizer.TT_WORD && st.sval.trim().length()==0)) st.nextToken(); return getToken(); } public String getToken(){ return (st.ttype == StreamTokenizer.TT_WORD) ? st.sval : (""+(char)st.ttype); } public String skip(String sym) throws IOException { if(getToken().equals(sym)) return nextToken(); else throw new IllegalArgumentException("skip: "+sym+" expected but"+ sym +" found "); } }

更多信息，您可以按照教程
进行操作

https://docs.oracle.com/javase/tutorial/jaxp/stax/example.html

http://www.ibm.com/developerworks/library/x-tipstx2/index.html

http://www.iro.umontreal.ca/~lapalme/ForestInsteadOfTheTrees/HTML/ch09s03.html

http://staf.sourceforge.net/current/STAXDoc.pdf

Answer 3

另一种方法，因为您无论如何都不使用严格的OXM方法。您可能想尝试使用不太严格的解析器，例如JSoup？这将阻止无效XML模式等的直接问题，但它只会将问题转移到您的代码中。

Answer 4

只是提出一种不同的解决方案：

您可以使用流式补充来封装输入流，以便通过合法的内容替换实体。

虽然这是一个肯定的黑客，它应该是一个快速简单的解决方案（或更好的说：解决方法）。
不过，它不像xml框架内部解决方案那样优雅和干净。

Answer 5

我昨天做了类似的事情，我需要在流中向数据库中添加unziped XML的值。

//import I'm not sure if all are necessary :) 
import javax.xml.parsers.DocumentBuilder;
import javax.xml.parsers.DocumentBuilderFactory;
import javax.xml.parsers.ParserConfigurationException;
import javax.xml.xpath.*;
import org.w3c.dom.Document;
import org.xml.sax.InputSource;
import org.xml.sax.SAXException;

//I didnt checked this code now because i'm in work for sure its work maybe 
you will need to do little changes
InputSource is = new InputSource(new FileInputStream("test.xml"));

DocumentBuilderFactory dbf = DocumentBuilderFactory.newInstance();
DocumentBuilder db = dbf.newDocumentBuilder();
Document doc = db.parse(is);
XPathFactory xpf = XPathFactory.newInstance();
XPath xpath = xpf.newXPath();
String words= xpath.evaluate("/foo/bar", doc.getDocumentElement());
ParsingHexToChar.parseToChar(words);

// lib which i use common-lang3.jar
//metod to parse 
public static String parseToChar( String words){

    String decode= org.apache.commons.lang3.StringEscapeUtils.unescapeHtml4(words);

        return decode;
 }

Answer 6

使用org.apache.commons包尝试一下：

DocumentBuilderFactory dbf = DocumentBuilderFactory.newInstance();
DocumentBuilder parser = dbf.newDocumentBuilder();

InputStream in = new FileInputStream(xmlfile);    
String unescapeHtml4 = IOUtils.toString(in);

CharSequenceTranslator obj = new AggregateTranslator(new LookupTranslator(EntityArrays.ISO8859_1_UNESCAPE()),
          new LookupTranslator(EntityArrays.HTML40_EXTENDED_UNESCAPE())    
         );

unescapeHtml4 = obj.translate(unescapeHtml4);
StringReader readerInput= new StringReader(unescapeHtml4);

InputSource is = new InputSource(readerInput);
Document doc    = parser.parse(is);

在不改变XML的情况下，在Java中解析包含HTML实体的XML文件

6 个答案:

的 Main.java

的的test.xml：

的 StAXExpand.java

的 CompactTokenizer.java