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

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 考虑到部分。

认为“XML”比无效更糟糕–它的格式不正确；请参见

对违规行为的可预测性进行非正式评估并没有帮助。文本数据不是XML。并没有一致的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：

<> >强>独立和C/C++：与XML也是工作的。C++是TangToice的一个端口。
• Python:是基于Python的。请参阅本节中的注释。有关更多信息，请参阅 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。请参阅好的示例

• Ruby:Nokogiri支持“”

• R:有关R中的容错标记解析，请参阅

• Perl:xmlstarlet fo -o -R -H -D bad.xml 2>/dev/null

  &(?!(?:#\d+|#x[0-9a-f]+|\w+);)
  

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

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

  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>