Question

我想使用SAX或StAX读取XHTML文件，无论哪种效果最好。但我不希望实体被解析，替换或类似的东西。理想情况下，他们应该保持原样。我不想使用DTD。

这是一个（可执行文件，使用Scala 2.8.x）示例：

import javax.xml.stream._
import javax.xml.stream.events._
import java.io._

println("StAX Test - "+args(0)+"\n")
val factory = XMLInputFactory.newInstance
factory.setProperty(XMLInputFactory.SUPPORT_DTD, false)
factory.setProperty(XMLInputFactory.IS_REPLACING_ENTITY_REFERENCES, false)

println("------")
val xer = factory.createXMLEventReader(new FileReader(args(0)))
val entities = new collection.mutable.ArrayBuffer[String]
while (xer.hasNext) {
    val event = xer.nextEvent
    if (event.isCharacters) {
        print(event.asCharacters.getData)
    } else if (event.getEventType == XMLStreamConstants.ENTITY_REFERENCE) {
        entities += event.asInstanceOf[EntityReference].getName
    }
}
println("------")
println("Entities: " + entities.mkString(", "))

给出以下xhtml文件......

<html>
    <head>
        <title>StAX Test</title>
    </head>
    <body>
        <h1>Hallo StAX</h1>
        <p id="html">
            &lt;div class=&quot;header&quot;&gt;
        </p>
        <p id="stuff">
            &Uuml;berdies sollte das hier auch als Copyright sichtbar sein: &#169;
        </p>
        Das war's!
    </body>
</html>

...正在运行scala stax-test.scala stax-test.xhtml会导致：

StAX Test - stax-test.xhtml

------


    StAX Test


    Hallo StAX

      <div class="header">


      berdies sollte das hier auch als Copyright sichtbar sein: ?

    Das war's!

------
Entities: Uuml

所以所有实体都或多或少都成功了。我想要的和我想要的是这个，但是：

StAX Test - stax-test.xhtml

------


    StAX Test


    Hallo StAX

      &lt;div class=&quot;header&quot;&gt;


      &Uuml;berdies sollte das hier auch als Copyright sichtbar sein: &#169;

    Das war's!

------
Entities: // well, or no entities above and instead:
// Entities: lt, quot, quot, gt, Uuml, #169

这甚至可能吗？我想解析XHTML，做一些修改，然后再将它输出为XHTML。所以我真的希望实体留在结果中。

另外，我不明白为什么Uuml被报告为EntityReference事件，而其余事件则没有。

Answer 1

一些术语：ũ是数字字符引用（不是实体），&#auml;是实体引用（不是实体）。

我认为任何XML解析器都不会报告应用程序的数字字符引用 - 它们将始终被扩展。实际上，你的应用程序不应该关心这个，而是关心属性之间有多少空格。

对于实体引用，SAX等低级解析接口将报告实体引用的存在 - 无论如何，它会在元素内容中报告它们，但不会在属性内容中报告。有些特殊事件只通知LexicalHandler而不是ContentHandler。

Answer 2

“为什么Uuml被报告为EntityReference事件而其余部分未被报告”的答案是其余部分由XML规范定义，而Ü特定于HTML 4.0。

由于您的目标是编写修改后的XHTML，因此可能通过将“encoding”设置为“US-ASCII”和/或“方法”来强制序列化程序发出数字实体引用“to”html“。 XSLT spec（它是Java XML序列化程序的基础）表示当方法为html时，序列化程序“可以使用字符实体引用输出字符”。如果不支持命名实体，则将编码设置为ASCII可能会强制它使用数字实体。

Answer 3

在Java中我会使用正则表达式。

public static void main(String... args) throws IOException {
  BufferedReader buf = new BufferedReader(new FileReader(args[0]));
  Pattern entity = Pattern.compile("&([^;]+);");
  Set<String> entities = new LinkedHashSet<String>();
  for (String line; (line = buf.readLine()) != null; ) {
    Matcher m = entity.matcher(line);
    while (m.find())
      entities.add(m.group(1));
  }
  buf.close();
  System.out.println("Entities: " + entities);
}

打印

Entities: [lt, quot, gt, Uuml, #169]

Java - 读取XML并保留所有实体

3 个答案: