帮助Java SAX解析器理解错误的xml
我正在解析从网站返回的XML，但遗憾的是它有点格式错误。 我得到的XML如下：
据我所知，这是无效的，因为£ 是HTML字符，而不是XML字符，绝对不能出现在属性中。
假设我不能告诉网站遵守规则，我该怎么做才能解决这个问题？ 我正在考虑使用FilterInputStream来过滤到达SAX解析器之前到达的数据，但这似乎超过了顶部。
最后我没有用解析器做到这一点。 我的解决方案是编写一个转换所有＆xxxx的FilterInputStream ; 引用他们的＆＃nnnn; 形成。
/* Cleans up often very bad xml. * * 1. Strips leading white space. * 2. Recodes £ etc to &#...;. * 3. Recodes lone & as &. * */ public class XMLInputStream extends FilterInputStream { private static final int MIN_LENGTH = 2; // Everything we've read. StringBuilder red = new StringBuilder(); // Data I have pushed back. StringBuilder pushBack = new StringBuilder(); // How much we've given them. int given = 0; // How much we've read. int pulled = 0; public XMLInputStream(InputStream in) { super(in); } public int length() { // NB: This is a Troll length (ie it goes 1, 2, many) so 2 actually means "at least 2" try { StringBuilder s = read(MIN_LENGTH); pushBack.append(s); return s.length(); } catch (IOException ex) { log.warning("Oops ", ex); } return 0; } private StringBuilder read(int n) throws IOException { // Input stream finished? boolean eof = false; // Read that many. StringBuilder s = new StringBuilder(n); while (s.length() < n && !eof) { // Always get from the pushBack buffer. if (pushBack.length() == 0) { // Read something from the stream into pushBack. eof = readIntoPushBack(); } // Pushback only contains deliverable codes. if (pushBack.length() > 0) { // Grab one character s.append(pushBack.charAt(0)); // Remove it from pushBack pushBack.deleteCharAt(0); } } return s; } // Returns true at eof. // Might not actually push back anything but usually will. private boolean readIntoPushBack() throws IOException { // File finished? boolean eof = false; // Next char. int ch = in.read(); if (ch >= 0) { // Discard whitespace at start? if (!(pulled == 0 && isWhiteSpace(ch))) { // Good code. pulled += 1; // Parse out the &stuff; if (ch == '&') { // Process the & readAmpersand(); } else { // Not an '&', just append. pushBack.append((char) ch); } } } else { // Hit end of file. eof = true; } return eof; } // Deal with an ampersand in the stream. private void readAmpersand() throws IOException { // Read the whole word, up to and including the ; StringBuilder reference = new StringBuilder(); int ch; // Should end in a ';' for (ch = in.read(); isAlphaNumeric(ch); ch = in.read()) { reference.append((char) ch); } // Did we tidily finish? if (ch == ';') { // Yes! Translate it into a &#nnn; code. String code = XML.hash(reference); if (code != null) { // Keep it. pushBack.append(code); } else { throw new IOException("Invalid/Unknown reference '&" + reference + ";'"); } } else { // Did not terminate properly! // Perhaps an & on its own or a malformed reference. // Either way, escape the & pushBack.append("&").append(reference).append((char) ch); } } private void given(CharSequence s, int wanted, int got) { // Keep track of what we've given them. red.append(s); given += got; log.finer("Given: [" + wanted + "," + got + "]-" + s); } @Override public int read() throws IOException { StringBuilder s = read(1); given(s, 1, 1); return s.length() > 0 ? s.charAt(0) : -1; } @Override public int read(byte[] data, int offset, int length) throws IOException { int n = 0; StringBuilder s = read(length); for (int i = 0; i < Math.min(length, s.length()); i++) { data[offset + i] = (byte) s.charAt(i); n += 1; } given(s, length, n); return n > 0 ? n : -1; } @Override public String toString() { String s = red.toString(); String h = ""; // Hex dump the small ones. if (s.length() < 8) { // Separator just inserts the string between each. Separator sep = new Separator(" "); for (int i = 0; i < s.length(); i++) { h += sep.sep() + Integer.toHexString(s.charAt(i)); } } return "[" + given + "]-\"" + s + "\"" + (h.length() > 0 ? " (" + h + ")" : ""); } private boolean isWhiteSpace(int ch) { switch (ch) { case ' ': case '\r': case '\n': case '\t': return true; } return false; } private boolean isAlphaNumeric(int ch) { return ('a' <= ch && ch <= 'z') || ('A' <= ch && ch <= 'Z') || ('0' <= ch && ch <= '9'); } }
XML.java - 为了完整性。 请确认清单的完整性。
public static String hash(CharSequence s) { final Integer code = SPECIALS.get(s.toString()); if (code != null) { return "&#" + code + ";"; } return null; } private static final Map SPECIALS; static { // Derived from Wikipedia http://en.wikipedia.org/wiki/List_of_XML_and_HTML_character_entity_references final Map map = new HashMap<>(); map.put("quot", 34); map.put("amp", 38); map.put("apos", 39); map.put("lt", 60); map.put("gt", 62); map.put("nbsp", 160); map.put("iexcl", 161); map.put("cent", 162); map.put("pound", 163); map.put("curren", 164); map.put("yen", 165); map.put("brvbar", 166); map.put("sect", 167); map.put("uml", 168); map.put("copy", 169); map.put("ordf", 170); map.put("laquo", 171); map.put("not", 172); map.put("shy", 173); map.put("reg", 174); map.put("macr", 175); map.put("deg", 176); map.put("plusmn", 177); map.put("sup2", 178); map.put("sup3", 179); map.put("acute", 180); map.put("micro", 181); map.put("para", 182); map.put("middot", 183); map.put("cedil", 184); map.put("sup1", 185); map.put("ordm", 186); map.put("raquo", 187); map.put("frac14", 188); map.put("frac12", 189); map.put("frac34", 190); map.put("iquest", 191); map.put("Agrave", 192); map.put("Aacute", 193); map.put("Acirc", 194); map.put("Atilde", 195); map.put("Auml", 196); map.put("Aring", 197); map.put("AElig", 198); map.put("Ccedil", 199); map.put("Egrave", 200); map.put("Eacute", 201); map.put("Ecirc", 202); map.put("Euml", 203); map.put("Igrave", 204); map.put("Iacute", 205); map.put("Icirc", 206); map.put("Iuml", 207); map.put("ETH", 208); map.put("Ntilde", 209); map.put("Ograve", 210); map.put("Oacute", 211); map.put("Ocirc", 212); map.put("Otilde", 213); map.put("Ouml", 214); map.put("times", 215); map.put("Oslash", 216); map.put("Ugrave", 217); map.put("Uacute", 218); map.put("Ucirc", 219); map.put("Uuml", 220); map.put("Yacute", 221); map.put("THORN", 222); map.put("szlig", 223); map.put("agrave", 224); map.put("aacute", 225); map.put("acirc", 226); map.put("atilde", 227); map.put("auml", 228); map.put("aring", 229); map.put("aelig", 230); map.put("ccedil", 231); map.put("egrave", 232); map.put("eacute", 233); map.put("ecirc", 234); map.put("euml", 235); map.put("igrave", 236); map.put("iacute", 237); map.put("icirc", 238); map.put("iuml", 239); map.put("eth", 240); map.put("ntilde", 241); map.put("ograve", 242); map.put("oacute", 243); map.put("ocirc", 244); map.put("otilde", 245); map.put("ouml", 246); map.put("divide", 247); map.put("oslash", 248); map.put("ugrave", 249); map.put("uacute", 250); map.put("ucirc", 251); map.put("uuml", 252); map.put("yacute", 253); map.put("thorn", 254); map.put("yuml", 255); map.put("OElig", 338); map.put("oelig", 339); map.put("Scaron", 352); map.put("scaron", 353); map.put("Yuml", 376); map.put("fnof", 402); map.put("circ", 710); map.put("tilde", 732); map.put("Alpha", 913); map.put("Beta", 914); map.put("Gamma", 915); map.put("Delta", 916); map.put("Epsilon", 917); map.put("Zeta", 918); map.put("Eta", 919); map.put("Theta", 920); map.put("Iota", 921); map.put("Kappa", 922); map.put("Lambda", 923); map.put("Mu", 924); map.put("Nu", 925); map.put("Xi", 926); map.put("Omicron", 927); map.put("Pi", 928); map.put("Rho", 929); map.put("Sigma", 931); map.put("Tau", 932); map.put("Upsilon", 933); map.put("Phi", 934); map.put("Chi", 935); map.put("Psi", 936); map.put("Omega", 937); map.put("alpha", 945); map.put("beta", 946); map.put("gamma", 947); map.put("delta", 948); map.put("epsilon", 949); map.put("zeta", 950); map.put("eta", 951); map.put("theta", 952); map.put("iota", 953); map.put("kappa", 954); map.put("lambda", 955); map.put("mu", 956); map.put("nu", 957); map.put("xi", 958); map.put("omicron", 959); map.put("pi", 960); map.put("rho", 961); map.put("sigmaf", 962); map.put("sigma", 963); map.put("tau", 964); map.put("upsilon", 965); map.put("phi", 966); map.put("chi", 967); map.put("psi", 968); map.put("omega", 969); map.put("thetasym", 977); map.put("upsih", 978); map.put("piv", 982); map.put("ensp", 8194); map.put("emsp", 8195); map.put("thinsp", 8201); map.put("zwnj", 8204); map.put("zwj", 8205); map.put("lrm", 8206); map.put("rlm", 8207); map.put("ndash", 8211); map.put("mdash", 8212); map.put("lsquo", 8216); map.put("rsquo", 8217); map.put("sbquo", 8218); map.put("ldquo", 8220); map.put("rdquo", 8221); map.put("bdquo", 8222); map.put("dagger", 8224); map.put("Dagger", 8225); map.put("bull", 8226); map.put("hellip", 8230); map.put("permil", 8240); map.put("prime", 8242); map.put("Prime", 8243); map.put("lsaquo", 8249); map.put("rsaquo", 8250); map.put("oline", 8254); map.put("frasl", 8260); map.put("euro", 8364); map.put("image", 8465); map.put("weierp", 8472); map.put("real", 8476); map.put("trade", 8482); map.put("alefsym", 8501); map.put("larr", 8592); map.put("uarr", 8593); map.put("rarr", 8594); map.put("darr", 8595); map.put("harr", 8596); map.put("crarr", 8629); map.put("lArr", 8656); map.put("uArr", 8657); map.put("rArr", 8658); map.put("dArr", 8659); map.put("hArr", 8660); map.put("forall", 8704); map.put("part", 8706); map.put("exist", 8707); map.put("empty", 8709); map.put("nabla", 8711); map.put("isin", 8712); map.put("notin", 8713); map.put("ni", 8715); map.put("prod", 8719); map.put("sum", 8721); map.put("minus", 8722); map.put("lowast", 8727); map.put("radic", 8730); map.put("prop", 8733); map.put("infin", 8734); map.put("ang", 8736); map.put("and", 8743); map.put("or", 8744); map.put("cap", 8745); map.put("cup", 8746); map.put("int", 8747); map.put("there4", 8756); map.put("sim", 8764); map.put("cong", 8773); map.put("asymp", 8776); map.put("ne", 8800); map.put("equiv", 8801); map.put("le", 8804); map.put("ge", 8805); map.put("sub", 8834); map.put("sup", 8835); map.put("nsub", 8836); map.put("sube", 8838); map.put("supe", 8839); map.put("oplus", 8853); map.put("otimes", 8855); map.put("perp", 8869); map.put("sdot", 8901); map.put("lceil", 8968); map.put("rceil", 8969); map.put("lfloor", 8970); map.put("rfloor", 8971); map.put("lang", 10216); map.put("rang", 10217); map.put("loz", 9674); map.put("spades", 9824); map.put("clubs", 9827); map.put("hearts", 9829); map.put("diams", 9830); SPECIALS = Collections.unmodifiableMap(map); }
您可以通过提供自定义org.xml.sax.EntityResolver来转换实体£来处理此问题£ 一个有效的角色。
编辑：我做了一些进一步的研究，发现实体引用 （例如£ ）直接作为事件处理。 使用设置为FALSE的functionjavax.xml.stream.isReplacingEntityReferences配置解析器（通过XMLInputFactory ），这会阻止它尝试解析实体引用。 然后，当您解析输入时，您将获得每个实体引用的输入事件，作为对处理程序的startEntity(String name)方法的调用。 处理程序必须实现org.xml.sax.ext.DefaultHandler2 。
正如Jim Garrison建议的那样，解决您的问题的一个选择是提供自定义EntityResolver 。 但是，它只会解决您描述的具体问题。 如果你的XML会因为不是封闭的标签而格式错误，那么EntityResolver就无法修复它。 在这种情况下，我建议使用一个可用的HTML“purifiers”，以便将HTML语法修复为XML有效forms。 在我看来，最好的是这一个： http ： //nekohtml.sourceforge.net/