Java 解析损坏的XML

我试图解析一些第三方XML，它有许多我认为是“非法”的特性

• 多个根元素
• “匿名”关闭标记
• 包含--
• 开始和结束标记不匹配

范例

<foo>
  <toto>123</>  <!-- == "anonymous" close tag -->
  <tata>
     <titi>456</>
  </>     <!-- == "anonymous" close tag-->
</foo>
<bar>   <!-- == multiple root elements -->
</bar>

123
456

这是我从未听说过的XML的变体吗？到目前为止，我所发现的一切，包括，都表明这不是XML

标记名区分大小写；开始标记和结束标记必须完全匹配

单个根元素包含所有其他元素

---

我只是想知道在Java中用什么最简单的方法来解析它而不必求助于正则表达式。我正在考虑将初始解析更正为XML，这样我就可以使用XPath或其他标准机制。

我发现解决这一问题的唯一方法是对整个输入进行标记化，然后逐段重新构建，过滤掉问题，正确关闭标记等

此外，我还修复了多个根标记的问题，用新元素root包装整个内容，即

${content}

公共类BrokenXmlParser{
公共字符串分析（InputStream资源）引发IOException{
StringBuilder=新的StringBuilder（）；
try（BufferedReader=new BufferedReader（new InputStreamReader（资源）））{
字符串行=null；
而（（line=reader.readLine（））！=null）{
builder.append（第+行“\n”）；
}
}
List tokens=tokenize（builder.toString（））；
返回正确的（代币）；
}
私有字符串正确（列出令牌）{
StringBuilder重新组装=新建StringBuilder（）；
重新组装。追加（“”）；
Deque tagNameStack=new ArrayDeque（）；
布尔跳跃=假；
for（inti=0；i如果（“我发现解决这个问题的唯一方法是将整个输入标记化，然后逐个重建，过滤掉问题，正确地关闭标记等等

此外，我还修复了多个根标记的问题，用新元素root包装整个内容，即
${content}

公共类BrokenXmlParser{
公共字符串分析（InputStream资源）引发IOException{
StringBuilder=新的StringBuilder（）；
try（BufferedReader=new BufferedReader（new InputStreamReader（资源）））{
字符串行=null；
而（（line=reader.readLine（））！=null）{
builder.append（第+行“\n”）；
}
}
List tokens=tokenize（builder.toString（））；
返回正确的（代币）；
}
私有字符串正确（列出令牌）{
StringBuilder重新组装=新建StringBuilder（）；
重新组装。追加（“”）；
Deque tagNameStack=new ArrayDeque（）；
布尔跳跃=假；
for（inti=0；i如果（”乍一看，我想说的是，您通常需要使用解析器来处理此问题。最简单的解决方案可能是返回源代码并请求更干净的XML数据。我的建议是，不要使用正则表达式。坏消息是，除非有可用的文档，否则您可能需要找出并构建自己的解析器对于这个奇怪的习惯用法，请注意。匿名关闭标记是一个问题-你确定每个开始标记都有一个吗？否则，就没有办法解析它。@RealDis疑者是的，总是匹配关闭标记，尽管同一文件中的一些标记正确关闭。例如，在1997-8年开发XML期间，有一个建议允许最小化d关闭标记，如….该语法已被Microsoft XML parser的beta版接受，但在1998年批准1.0标准时，他们很快取消了对该语法的支持。SGML中允许使用该语法，因此您可能会发现您可以使用SGML语法分析器来解析此文档。乍一看，您需要使用语法分析器来处理此pro总的来说是一个问题。最简单的解决方案可能是返回源代码并请求更干净的XML数据。我的建议是，不要使用正则表达式。坏消息是，您可能需要根据您拥有的文档找出并构建自己的解析器，除非有一个解析器可用于这种奇怪的习惯用法。匿名关闭标记是一个问题-您确定re对于每个开始标记正好是一个？否则，就没有办法解析它。@realpoint Yes始终匹配关闭标记，尽管同一文件中的某些标记已正确关闭。例如，在1997-8年开发XML期间，有一项建议允许最小化关闭标记，如……该语法已被Microsoft X的测试版接受ML解析器，但在1998年批准1.0标准时，他们很快就取消了对它的支持。它在SGML中是允许的，因此您可能会发现可以使用SGML解析器解析此文档。
public class BrokenXmlParser {

    public String parse(InputStream resource) throws IOException {

        StringBuilder builder = new StringBuilder();
        try (BufferedReader reader = new BufferedReader(new InputStreamReader(resource))) {
            String line = null;
            while ((line = reader.readLine()) != null) {
                builder.append(line + "\n");
            }
        }
        List<String> tokens = tokenize(builder.toString());
        return correct(tokens);
    }

    private String correct(List<String> tokens) {
        StringBuilder reassemble = new StringBuilder();
        reassemble.append("<root>");
        Deque<String> tagNameStack = new ArrayDeque<>();
        boolean skip = false;
        for (int i = 0; i < tokens.size(); i++) {
            String token = tokens.get(i);
            if ("<".equals(token)) {
                tagNameStack.push(tokens.get(i + 1));
            }
            if ("<?".equals(token) || "<!".equals(token)) {
                // skip comments
                skip = true;
            } else if ("<".equals(token)) {
                skip = false;
            }
            if ("</>".equals(token)) {
                reassemble.append("</" + tagNameStack.pop() + ">");
            } else if ("</".equals(token)) {
                // sometimes tags are incorrectly closed
                reassemble.append("</" + tagNameStack.pop() + ">");
                i = i + 2;
            } else if (!skip) {
                reassemble.append(token);
            }
        }
        reassemble.append("</root>");
        return reassemble.toString();
    }

    private List<String> tokenize(String input) {
        List<String> tokens = new ArrayList<>();
        Pattern tag = Pattern.compile("(</>|<!|<\\?|\\?>|</|<|>|\\s+|[^<> ]+)");
        Matcher matcher = tag.matcher(input);
        while (matcher.find()) {
            tokens.add(matcher.group(1));
        }
        return tokens;

    }

}