Question

目前，我正在研究一项涉及解析我们从其他产品收到的XML的功能。我决定对一些实际的客户数据进行一些测试，看起来其他产品允许来自用户的输入被认为是无效的。无论如何，我仍然需要尝试找出解析它的方法。我们正在使用javax.xml.parsers.DocumentBuilder，我收到的输入错误如下所示。

<xml>
  ...
  <description>Example:Description:<THIS-IS-PART-OF-DESCRIPTION></description>
  ...
</xml>

正如您所知，描述中的内容似乎是无效标记（<THIS-IS-PART-OF-DESCRIPTION>）。现在，已知此描述标记是叶标记，并且不应在其中包含任何嵌套标记。无论如何，这仍然是一个问题，并在DocumentBuilder.parse(...)

上产生例外

我知道这是无效的XML，但它可以预测无效。有关解析此类输入的方法的任何想法吗？

Answer 1

“XML”比无效更糟糕 - 它的形式不正确;请参阅 Well Formed vs Valid XML 。

对违法行为可预测性的非正式评估无济于事。该文本数据不是XML。没有符合条件的XML工具或库可以帮助您处理它。

选项，最首选：

请提供商解决问题。 需要格式良好的XML。（从技术上讲，格式良好的XML 这个短语是多余的，但可能对强调有用。）
使用容错标记解析器在解析为XML之前清除问题：
- 独立： xmlstarlet具有强大的恢复和修复功能^{_{credit：RomanPerekhrest}}
```
xmlstarlet fo -o -R -H -D bad.xml 2>/dev/null
```
- 独立和C： HTML Tidy也适用于XML。
- Python： Beautiful Soup是基于Python的。请参阅Differences between parsers部分中的注释。有关更多信息，另请参阅answers to this question 处理Python中格式不正确的标记的建议。另请参阅this answer了解如何使用codecs.EncodedFile()清除非法字符。
- Java： JSoup专注于HTML。 FilterInputStream可用于preprocessing cleanup。
- 的 .NET：
  
  XmlReaderSettings.CheckCharacters可以被禁用以克服非法的XML字符问题。
  
  @jdweng notes XmlReaderSettings.ConformanceLevel可以设置为 ConformanceLevel.Fragment以便XmlReader可以阅读缺少根元素的XML Well-Formed Parsed Entities。
  {li> @jdweng also reports XmlReader.ReadToFollowing()有时可以习惯于work-around XML syntactical issues，但请注意在＃3下面的规则破坏警告。
  Microsoft.Language.Xml.XMLParser被称为“容错”。

使用文本编辑器或手动处理数据作为文本 以编程方式使用字符/字符串函数。这样做以编程方式可以从棘手到不可能 似乎是什么可预测通常不是 - 规则中断很少受规则约束。

对于无效字符错误，请使用正则表达式删除/替换无效字符：

PHP: preg_replace('/[^\x{0009}\x{000a}\x{000d}\x{0020}-\x{D7FF}\x{E000}-\x{FFFD}]+/u', ' ', $s);

Ruby: string.tr("^\u{0009}\u{000a}\u{000d}\u{0020}-\u{D7FF}\u{E000‌}-\u{FFFD}", ' ')

JavaScript: inputStr.replace(/[^\x09\x0A\x0D\x20-\xFF\x85\xA0-\uD7FF\uE000-\uFDCF\uFDE0-\uFFFD]/gm, '')

对于＆符号，请使用正则表达式将匹配项替换为&：^{_{credit：blhsin，demo}}

&(?!(?:#\d+|#x[0-9a-f]+|\w+);)

请注意，上述正则表达式不会采用注释或CDATA 部分考虑在内。

Answer 2

标准XML解析器永远不会接受无效的XML设计。

您唯一的选择是在解析之前预先处理输入以删除“可预测的无效”内容，或将其包装在CDATA中。

Answer 3

IMO应使用JSoup解决这些案例。

以下是针对此特定案例的非实际答案，但找到了this on the web（感谢Coderwall上的inuyasha82）。这段代码在处理格式错误的XML时确实激发了我另一个类似的问题，所以我在这里分享。

请不要编辑下面的内容，就像在原始网站上一样。

XML格式要求在文档中声明的唯一根元素有效。例如，有效的xml是：

<root>
     <element>...</element>
     <element>...</element>
</root>

但是如果你有一个类似的文件：

<element>...</element>
<element>...</element>
<element>...</element>
<element>...</element>

这将被视为格式错误的XML，因此许多xml解析器只会抛出一个抱怨没有根元素的异常。等

在此示例中，有一个解决方案可以解决该问题，并成功解析上面的格式错误的xml。

基本上我们要做的是以编程方式添加根元素。

首先，您必须打开包含“格式错误”的xml（即文件）的资源：

File file = new File(pathtofile);

然后打开FileInputStream：

FileInputStream fis = new FileInputStream(file);

如果我们在此时尝试使用任何XML库解析此流，我们将引发格式错误的文档Exception。

现在我们创建一个包含三个元素的InputStream对象列表：

包含字符串的ByteIputStream元素：“” 我们的FileInputStream 带字符串的ByteInputStream：“” 所以代码是：

List<InputStream> streams = 
    Arrays.asList(
        new ByteArrayInputStream("<root>".getBytes()),
    fis,
    new ByteArrayInputStream("</root>".getBytes()));

现在使用SequenceInputStream，我们为上面创建的List创建一个容器：

InputStream cntr = 
new SequenceInputStream(Collections.enumeration(str));

现在我们可以在cntr上使用任何XML Parser库，它将被解析而没有任何问题。（检查Stax库）;

Answer 4

接受的答案是好建议，并包含非常有用的链接。

我想补充一点，使用SGML（ISO标准化的HTML超集）可以修复many other未正确和/或DTD无效的XML案例和XML。在您的情况下，有效的是将伪造的THIS-IS-PART-OF-DESCRIPTION元素声明为SGML空元素，然后使用eg。 osx程序（OpenSP / OpenJade SGML包的一部分）将其转换为XML。例如，如果您向osx

提供以下内容

<!DOCTYPE xml [
  <!ELEMENT xml - - ANY>
  <!ELEMENT description - - ANY>
  <!ELEMENT THIS-IS-PART-OF-DESCRIPTION -  - EMPTY>
]>
<xml>
  <description>blah blah
    <THIS-IS-PART-OF-DESCRIPTION>
  </description>
</xml>

它将输出格式良好的XML，以便使用您选择的XML工具进行进一步处理。

但请注意，您的示例代码段存在另一个问题，即以字母xml或XML或Xml等开头的元素名称以XML格式保留，并赢得了＃39 ;是否符合XML解析器。

如何解析无效（错误/不良格式）的XML？

4 个答案:

选项，最首选：