我正在使用java（dom解析器）解析来自外部源的XML文件。 我的文件“简单”，它们始终采用以下形式：
<block1><tag1>...</tag1><tag2>...</tag2></block1>
<block2><tag1>...</tag1><tag2>...</tag2></block2>
...
但是文件会因任何原因破坏解析器：
非法字符＆amp ;,＆gt;＆lt;在标签中。我通常用＆amp;更换它们。等或我保护他们注入CDATA部分
我必须删除的字符\ x00- \ x1f，因为它们甚至不受CDATA保护
截断的标签：
没有关闭的块/标签：在这种情况下我也想跳过
如何以强大的自动方式处理此错误？
答案 0 :(得分：1)
首先，我们要清楚：这些不是XML文件。你不是在谈论处理XML，而是谈论处理非XML。
如果您想要可靠而强大地执行此操作，那么您需要从您希望程序接受的（非完全XML）语言的规范开始，并且还需要规范您希望如何被翻译成XML。例如，通过在某些上下文中允许未转义的＆符号，您的语言可能与XML不同：您需要定义这些上下文的内容（例如，任何＆符号后面没有字母或“＃”;或者您可能允许使用＆符号后跟名称如果名称后面没有“;”）。
显然有多种方法可以做到这一点，例如，您可以将<x><</x>解释为<x>&lt</x>或<x><</x>。只有您可以决定要解析的非XML输入中的预期含义。
一旦你有了你想要做的事情的规范，为这种非XML语言编写解析器仍然具有挑战性，但不像没有规范那样具有挑战性。但是，即使有明确而明确的规范，当然也不能保证您遇到的每个输入文件都符合您的特定准XML方言。