Java 对格式不正确的XML的XPath求值？

我需要通过XPath计算器传递一些格式不严格的XML。XML实际上主要是html，可能如下所示：

<p>
  <a href="http://www.something.com/5993810749/" title="IMG_3013”>
    <img src="5993810749_107ea7d465_m.jpg" width="240" height="160" alt="IMG_3013”/>
  </a>
</p>
<p>
  <a href="http://www.something.com/836492365986/" title="IMG_3018”>
    <img src=“8364923659_107ea3286465_m.jpg" width=“365" height=“248" alt="IMG_3018”/>
  </a>
</p>

---

所以，我想知道，处理这个问题的最佳方法是什么，这样我才能成功地评估XML？看起来我至少有两个选择：（a）尝试让XPath计算器更加智能；或者（b）尝试用一种方法自动修复格式不好的XML。如能解决此问题，将不胜感激

您可以使用HTML解析器（例如）解析HTML，然后在生成的DOM树上运行XPath查询

import org.cyberneko.html.parsers.DOMParser;
import org.w3c.dom.Document;
import org.w3c.dom.Node;

DOMParser parser = new DOMParser();
parser.parse(new InputSource(new StringReader(xmlString)));
XPath xPath = XPathFactory.newInstance().newXPath();
Object result = xPath.evaluate(xpath, parser.getDocument(),
      XPathConstants.NODESET);

---

请注意，默认情况下，NekoHTML生成特定的HTMLDOM节点，这些节点以大写形式报告其节点名称，而不考虑原始输入标记的大小写。因此，如果您想要一个能够提取所有

元素的XPath，那么您需要

//p

而不是

//p

有几个实用程序可以将HTML或通常带有尖括号的任何内容转换为格式良好的XML（可能是也可能不是您期望的XML，但它的格式良好）。JTidy和TagSoup经常用于此角色。您不必具体化XML，您可以将其直接导入处理管道中的下一步，例如XSLT转换或模式验证。

如果XML格式不正确，它将不会解析。如果它不能解析，你就不能查询它-XPath或其他。你可以在这里找到合适的库：好的，如果格式不好的XML不能工作，至少有没有办法修复文本以便它可以解析？重要的是获得一个可用的DOM树。有一些HTML解析器，如NekoHTML，可以解析非XML HTML文档并生成合适的DOM，然后您可以在其上运行XPath查询。如果使用Neko，需要注意的一点是DOM树中的元素名将是大写的，因此必须使用xpath，比如

//P/A/IMG

，而不是

//P/A/IMG

。除了每个

中的一些无效引号字符和缺少根元素之外，这个特定的代码片段看起来格式良好。如果这些是唯一的问题，那么简单的字符替换并将其包装在根节点中就可以解决这个问题。

XPath xPath = XPathFactory.newInstance().newXPath();
Object result = xPath.evaluate(xpath,
    new InputSource(new StringReader(xmlString)), XPathConstants.NODESET);

import org.cyberneko.html.parsers.DOMParser;
import org.w3c.dom.Document;
import org.w3c.dom.Node;

DOMParser parser = new DOMParser();
parser.parse(new InputSource(new StringReader(xmlString)));
XPath xPath = XPathFactory.newInstance().newXPath();
Object result = xPath.evaluate(xpath, parser.getDocument(),
      XPathConstants.NODESET);