Question

在尝试处理xml之前，我需要从输入xml中删除文档类型和实体声明。

我正在使用以下代码删除文档类型和实体：

fileContent = fileContent.replaceAll("<!ENTITY ((.|\n|\r)*?)\">", "");
fileContent = fileContent.replaceAll("<!DOCTYPE((.|\n|\r)*?)>", "");

这将删除实体，然后删除文档类型。如果xml在xml中包含以下doctype声明，则效果很好：

<!DOCTYPE ichicsr SYSTEM "http://www.w3.org/TR/html4/frameset.dtd">

<!DOCTYPE ichicsr SYSTEM "D:\UPGRADE\NTServices\Server\\Xml21.dtd"
[<!ENTITY % entitydoc SYSTEM "D:\UPGRADE\NTServices\Server\\latin-entities.dtd"> %entitydoc;]>

但是，如果我具有以下给出的doctype，它将无法正常工作，并且xml中的根标记将被剥离：

<!DOCTYPE ichicsr SYSTEM "D:\UPGRADE\NTServices\Server\\Xml21.dtd" 
[<!ENTITY % entitydoc SYSTEM 'D:\UPGRADE\NTServices\Server\\Xml21.dtd'>
]>

请让我知道我使用的正则表达式是否错误或需要采取任何其他措施。

Answer 1

您的方法行不通，因为在"正则表达式中，最终>之前需要ENTITIY。您可以在那里将\"替换为['\"]。

此外，切勿在任何正则表达式中使用(.|\n|\r)*?，因为它是性能杀手。而是将.*?与Pattern.DOTALL（或内联(?s)变体）一起使用，或至少与[\s\S]*?一起使用。

但是，有更好的方法：将两个正则表达式合并为一个：

fileContent = fileContent.replaceAll("(?i)<!DOCTYPE[^<>]*(?:<!ENTITY[^<>]*>[^<>]*)?>", "");

请参见regex demo。

详细信息

(?i)-不区分大小写的Pattern.CASE_INSENSITIVE内联修饰符
<!DOCTYPE-文字
[^<>]*-除<和>以外的0多个字符
(?:<!ENTITY[^<>]*>[^<>]*)?-的可选出现
- <!ENTITY
- [^<>]*-除<和>以外的0多个字符
- >-一个>字符
- [^<>]*-除<和>以外的0多个字符
>-一个>字符。

使用Java从xml中删除包含实体的doctype

1 个答案: