Question

我以这种格式从bugzilla下载xml：

<bugzilla>
     <bug>
          <bug_id>111</bug_id>
          <short_desc>text 1 & 2</short_desc>
      </bug>
      <bug>
          <bug_id>222</bug_id>
          <short_desc>text 2 <this is a short desc> </short_desc>
     </bug>
</bugzilla>

正如您所看到的，当我尝试使用jaxb解析器解析它时，它失败有两个原因：

for＆amp;在第一个标记内（需要更改为& 错误消息：The entity name must immediately follow the '&' in the entity reference.
<this is a short desc>文字的相同案例。错误消息The entity name must immediately follow the '&' in the entity reference.

但我不明白的是这些都是有效标签的内容。那么为什么验证逻辑正在运行这样的内容。在第二种情况下，它不仅仅是<thisisashortdesc>的单个标记，它可以抛出实际的有效错误，表示缺少结束标记。但是这种情况之间有空格。

找到下面使用的代码：

文件文件=新文件（＆＃34; C：\ test \ file.xml＆＃34;）;

    JAXBContext jaxbContext = JAXBContext.newInstance(Bugzilla.class);
    Unmarshaller jaxbUnmarshaller = jaxbContext.createUnmarshaller();
    Bugzilla bugzillaReport = (Bugzilla) jaxbUnmarshaller.unmarshal(file);

无论如何都要解决这个问题。

Answer 1

如您所知，必须解析有效的XML，因为HTML中没有模糊匹配。标准解决方案是放置<![CDATA[....]]>。（ CDATA 代表字符数据。）

<short_desc><![CDATA[text 1 & 2]]></short_desc>
<short_desc><![CDATA[text 2 <this is a short desc> ]]></short_desc>

这很麻烦，问题是当预期文本而不是CData时，使用是否仍然有效。并且创建正确的XML可能更容易。为此目的，Apache commons还有一个StringEscapeUtils.escapeXml10(String)。

首先尝试（CDATA）。

String xml = new String(Files.readAllBytes(Paths.get("C:\\test\\file.xml")),
         StandardCharsets.UTF_8);
xml = "<?xml version=\"1.0\">\n" + xml;
xml = xml.replace("<short_desc>", "<short_desc><![CDATA[");
xml = xml.replace("</short_desc>", "]]></short_desc>");
jaxbUnmarshaller.unmarshal(new StreamSource(new StringReader(xml)));

请注意，反斜杠\必须在java String中自动转义。

java 9修复：

xml = xml.replaceAll("(?s)<short_desc>(.*)</short_desc>",
        matchResult -> "<short_desc>"
                       + StringEscapeUtils.escapeXml10(matchResult.group(1))
                       + "</short_desc>");

或没有apache常见语言StringEscapeUtils：

xml = xml.replaceAll("(?s)<short_desc>(.*)</short_desc>",
        matchResult -> "<short_desc>"
                       + matchResult.group(1)
                             .replace("&", "&amp;")
                             .replace("\"", "&quot;")
                             .replace("<", "&lt;")
                             .replace(">", "&gt;")
                       + "</short_desc>");

如何跳过xml标记内的文本验证？

1 个答案: