如何在Java中解析格式错误的XML？

Question

我需要解析XML，但无法控制创建。不幸的是，它不是非常严格的XML，包含以下内容：

<mytag>This won't parse & contains an ampersand.</mytag>

javax.xml.stream类根本不喜欢这个，并且正确地错误：

javax.xml.stream.XMLStreamException: ParseError at [row,col]:[149,50]
Message: The entity name must immediately follow the '&' in the entity reference.

我该如何解决这个问题？我无法更改XML，所以我想我需要一个容错的解析器。

我的偏好是针对现有解析器代码不需要太多中断的修复。

Answer 1

使用tidy或tagsoup等库。

TagSoup, a SAX-compliant parser written in Java that, instead of parsing well-formed or valid XML, parses HTML as it is found in the wild: poor, nasty and brutish, though quite often far from short.

Answer 2

如果它不是有效的XML（如上所述），则没有XML解析器可以处理它（如您所识别的那样）。如果您知道错误的范围（例如上述实体问题），那么最简单的解决方案可能是对其运行更正过程（修复实体，如插入实体），然后将其提供给现有的解析器。

否则，你必须自己编写代码，内置支持这种异常。而且我无法相信这是一项繁琐且容易出错的任务。

Answer 3

我相信JSoup可以处理格式错误的XML