Java 在xml文件中使用CDATA解析html数据

我有一个xml文件，其内容中包含格式不正确的HTML。。 由于xml无法解析像

这样的html标记，所以我使用CDATA进行保存和解析

我使用过documentBuilder.setCoalescing（true）；在解析以恢复数据时

测试
数据
]>

不带CDATA标记

但是在optput中，<和>标记分别被

和
替换

我期待这个字符串的结果

<br>test<br>data<br>


测试
数据


在解析的字符串中

如何做到这一点？有什么想法吗？
提前谢谢

更新：我还有两个问题要问

1.有没有办法通过代码将格式错误的HTML（如

）转换成可解析的xml（如

），如果有，它还会处理

2.是否有通过java将html文本转换为纯文本的解决方案（例如，
测试文本
转换为
测试文本
）？
合并意味着解析器将CDATA节点转换为文本节点。当文档序列化为XML时，当然必须转义文本内容（HTML）。若你们想用HTML做些什么，你们必须先把它提取成文本——然后你们可以在浏览器中呈现它，或者其他任何东西

更新：

1） 您可以使用JTidy解析HTML内容并生成XML或XHTML。大概是这样的：

DocumentBuilder db = factory.newDocumentBuilder();
Document doc = db.parse(..)); // parse your input document

// Obtain the HTML content, may be buried deeper down or
// or scattered around in different places
String text = doc.getDocumentElement().getTextContent();

// Parse with JTidy to convert from HTML to XHTML
Tidy tidy = new Tidy();
tidy.setXHTML(true);

Document htmlDoc = tidy.parseDOM(new StringReader(text), null);
Transformer t = TransformerFactory.newInstance().newTransformer();
t.setOutputProperty(OutputKeys.INDENT, "yes");
t.transform(new DOMSource(htmlDoc), new StreamResult(System.out));

2） 对。当您拥有解析后的htmlDoc（如上）时，您可以转换它或应用XPATH或其他方法来提取所需的文本片段。请记住，将不替换为“\u00A0”。所以如果你真的想要纯文本，你也许应该这样做

String s = text.replace('\u00A0', ' ');

合并是将CDATA节（节点）的内容转换为文本节点并与相邻文本节点的内容合并的操作。将CDATA节转换为文本节点的这一要求本身将限制生成的文本节点由有效的XML字符组成。这将保留原始文档格式；换句话说，原始文档中节点的结构不会发生更改

由此产生的行为是5个预定义实体——
、&“和”
，前三个将被扩展，因为它们的不变存在将改变文档结构

简而言之，你不能做你想做的事情，从DOM中提取值。在解析文档之后，你需要将这些值解码成你想要的。Apache Con on有一个实用类-< /p> 
如果你只是被不成形的XML困扰，你可以考虑把HTML转换成格式良好的XML的工具。
一般来说，您需要一个XML解析器，它允许您访问带有CDATA标记的部分的原始内容，然后将这些原始数据用于您想要的任何用途。
@Billu:您可以查看apache开放库：-org.apache.commons.lang.StringEscapeUtils。这个类有escapeXML（）/escapeHTML（）和unescapeXML（）/escapeHTML（）方法。
例如，关于转换<和>的第一个问题，您可以使用unescapeHTML（您的数据）

您甚至不需要在CDATA部分中存储/传递数据，只需在发送/存储端使用escapeXML（数据），在接收/检索端使用用户unescapeXML（数据）

有关更多信息，请访问以下链接：-

如果aboe信息对您有帮助，请告诉我。
我正在使用javax.xml.parsers DOM（文档对象模型）