Java 如何解析无效（错误/格式不正确）的XML？

目前，我正在开发一个功能，它涉及解析我们从另一个产品收到的XML。我决定对一些实际的客户数据运行一些测试，而另一个产品似乎允许用户输入应该被视为无效的数据。不管怎么说，我还是要想办法解析它。我们使用的是

javax.xml.parsers.DocumentBuilder

，输入时出现如下错误

<xml>
  ...
  <description>Example:Description:<THIS-IS-PART-OF-DESCRIPTION></description>
  ...
</xml>

...
示例：说明：
...

正如您所知，描述中似乎有一个无效的标记（

）。现在，这个描述标签是一个叶子标签，里面不应该有任何嵌套的标签。无论如何，这仍然是一个问题，并在

DocumentBuilder.parse（…）

---

我知道这是无效的XML，但可以预见它是无效的。关于解析这种输入的方法有什么想法吗？

根据设计，标准XML解析器永远不会接受无效的XML

您唯一的选择是在解析之前对输入进行预处理，以删除“可预测的无效”内容，或者将其包装在CDATA中

认为“XML”比无效更糟糕——它的格式不好；请参见

对违法行为的可预测性进行非正式评估无济于事。该文本数据不是XML。没有一致的XML工具或库可以帮助您处理它

选项，首先是最理想的：

让提供商解决他们端的问题要求格式良好的XML。（从技术上讲，格式良好的XML是多余的，但可能有助于强调。）

在解析为XML之前，请使用容错标记解析器清除问题：

• 单机版：具有强大的恢复和修复功能信贷：

• 单机版和C/C++:也适用于XML。是TangSuffic到C++的端口。
• Python:是基于Python的。请参见本节中的注释。有关更多信息，请参见 处理Python中格式不正确的标记的建议， 尤其包括。 有关如何使用

  codecs.EncodedFile（）

  清除非法字符，请参见

• Java:并关注HTML。可用于

• .NET:
  • 能 被禁用以克服非法XML字符问题
  • 可以设置为 这样就可以读取缺少根元素的内容
  • 有时也会这样 习惯，但注意 下面第3条中的违规警告
  • 被称为“容错”
• PHP:请参阅和。看一个很好的例子

• Ruby:Nokogiri支持“”

• R:有关R中的容错标记解析，请参阅

• Perl:请参阅“一个超级自由的XML解析器，可以解析破碎的XML。”

使用文本编辑器或 以编程方式使用字符/字符串函数。这样做 从编程角度来看，可以是棘手的，也可以是不可能的 看起来是什么 可预测性通常是不可预测的--违反规则很少受规则约束

• 对于无效字符错误，请使用正则表达式删除/替换无效字符：

  • preg\u replace（'/[^\x{0009}\x{000a}\x{000d}\x{0020}-\x{D7FF}\x{E000}-\x{FFFD}]+/u'，''$s）

  • string.tr（“^\u{0009}\u{000a}\u{000d}\u{0020}-\u{D7FF}\u{E000‌​}-\u{FFFD}，''）

  • inputStr.replace（/[^\x09\x0A\x0D\x20-\xFF\x85\xA0-\uD7FF\uE000-\uFDCF\uFDE0-\uFFFD]/gm'，）

• 对于符号，使用正则表达式将匹配项替换为

  ，

  ：credit:

请注意，上面的正则表达式不接受注释或CDATA

---

应考虑各节。

在IMO中，这些情况应通过使用解决

下面不是这个具体案例的真正答案，但找到了（多亏了Coderwall上的inuyasha82）。在处理格式错误的XML时，这个代码位确实激发了我处理另一个类似问题的灵感，所以我在这里分享它

请不要编辑下面的内容，因为它是在原来的网站上

XML格式要求文档中声明的唯一根元素有效。 例如，有效的xml是：

<root>
     <element>...</element>
     <element>...</element>
</root>

然后打开一个FileInputStream：

FileInputStream fis = new FileInputStream(file);

如果我们试图在此时使用任何XML库解析此流，我们将引发格式错误的文档异常

现在，我们创建一个包含三个元素的InputStream对象列表：

包含字符串“”的ByteInputStream元素 我们的FileInputStream 字符串为“”的ByteInputStream 因此，代码是：

List<InputStream> streams = 
    Arrays.asList(
        new ByteArrayInputStream("<root>".getBytes()),
    fis,
    new ByteArrayInputStream("</root>".getBytes()));

---

现在，我们可以在cntr上使用任何XML解析器库，它将被解析而不会出现任何问题。（使用Stax库进行检查）；

公认的答案是很好的建议，并且包含非常有用的链接

我想补充一点，使用SGML（HTML和XML的ISO标准超集）可以修复这种情况，以及格式不正确和/或DTD无效的XML。在您的情况下，有效的方法是将伪

this-is-PART-of-DESCRIPTION

元素声明为SGML空元素，然后使用

osx

程序（OpenSP/OpenJade SGML包的一部分）将其转换为XML

<!DOCTYPE xml [
  <!ELEMENT xml - - ANY>
  <!ELEMENT description - - ANY>
  <!ELEMENT THIS-IS-PART-OF-DESCRIPTION -  - EMPTY>
]>
<xml>
  <description>blah blah
    <THIS-IS-PART-OF-DESCRIPTION>
  </description>
</xml>

]>
废话

它将输出格式良好的XML，以便使用您选择的XML工具进行进一步处理

但是，请注意，您的示例代码段还有另一个问题，即以字母

xml

或

xml

或

xml

等开头的元素名称是保留在xml中的，并且不会被符合要求的xml解析器接受。

无效的xml实际上不是xml。但是，存在期望xml有效的解析器

File file = new File(pathtofile);

FileInputStream fis = new FileInputStream(file);

List<InputStream> streams = 
    Arrays.asList(
        new ByteArrayInputStream("<root>".getBytes()),
    fis,
    new ByteArrayInputStream("</root>".getBytes()));

InputStream cntr = 
new SequenceInputStream(Collections.enumeration(str));

<!DOCTYPE xml [
  <!ELEMENT xml - - ANY>
  <!ELEMENT description - - ANY>
  <!ELEMENT THIS-IS-PART-OF-DESCRIPTION -  - EMPTY>
]>
<xml>
  <description>blah blah
    <THIS-IS-PART-OF-DESCRIPTION>
  </description>
</xml>