Ruby Nokogiri SAX解析器将字符串截断为&；燃气轮机&引用；（又名“"；”

背景：我正在使用Ruby的gem解析XML文件。我遇到的问题是，当字符串包含

时，SAX解析器返回一个不完整的结果，这是

的HTML编码。例如：

<element>PART1PART2</element> #=> returns "PART1PART2"
<element>PART3&gt;PART4</element> #=> returns "PART3"

PART1PART2#=>返回“PART1PART2”
PART3PART4#=>返回“PART3”

我的解析器如下所示：

require 'nokogiri'
class MySample < Nokogiri::XML::SAX::Document
  def characters(string)
    puts string
  end
end
# Create a new parser
parser = Nokogiri::XML::SAX::Parser.new(MySample.new)
# Feed the parser some XML
parser.parse_file(ARGV[0])

需要“nokogiri”
类MySample

研究：如果字符串包含

，则Nokogiri认为这是字符串的结尾。在字符串中包含

将被视为格式不良的XML。然而，我的XML格式正确，但Nokogiri认为

标志着字符串的结束。这意味着Nokogiri在解析字符串之前正在解释HTML（将

转换为

）

问题：为什么Nokogiri解释

的HTML，我如何确保它解析完整的字符串

---

1年更新（FWIW）

自从我第一次发布这个问题已经一年多了，在这个时候，我还没有找到一个关于我最初问题的明确答案。因此，我想我会为将来遇到这篇文章的人提供一些更新。请记住，我严格地说是SAX解析，而不是DOM解析

要点：

• 最初的问题与Nokogiri v1.6.1有关。最新的版本（在撰写本文时）是v1.6.6，但这个问题仍然没有得到解决

• 但是，这个问题有一个解决方法（请参阅下面的注释），但是如果不是所有字符串都以相同的方式格式化（例如，一个字符串包含
  一次，另一个字符串包含
  两次，等等），那么实现起来会很困难

• 我简要测试了另一个名为Ruby的解析器，发现它与Nokogiri没有相同的问题。实际上，它正确地处理包含
  的字符串。此外，它还可以处理包含
  的字符串。作为奖励

底线：

---

如果你和Nokogiri有类似的问题，那么我建议你去看看Ox作为一个可能的选择。我不会争辩说一个宝石比另一个好（这不是它的目的）。但是，我可以保证Ox能够处理包含

和/或

的字符串。您没有说明为什么要使用SAX解析器。使用DOM解析器解析文档时，Nokogiri会正确处理文档：

require 'nokogiri'

doc = Nokogiri::XML(<<EOT)
<root>
  <element>PART1PART2</element>
  <element>PART3&gt;PART4</element>
</root>
EOT

puts doc.to_xml
# >> <?xml version="1.0"?>
# >> <root>
# >>   <element>PART1PART2</element>
# >>   <element>PART3&gt;PART4</element>
# >> </root>

需要“nokogiri”
doc=Nokogiri:：XML（
# >> 
#>>第1部分第2部分
#>>第三部分第四部分
# >> 

---

您可能希望与开发人员一起检查。

+1，以便以友好的方式提问。。这对我来说没什么问题。请注意，在本例中（至少对我来说），它被调用了三次–一次使用

PART3

，一次使用实体（

），一次使用

PART4

，因此它看起来像Nokogiri（或libxml）正在围绕实体拆分字符串。是否只查看第一次调用时传递的内容？您需要缓冲对

字符的多次调用以形成完整的字符串。您完全正确。这是我最终实现的解决方法，但并不理想。当每个字符串都具有同样数量的
，但我的字符串没有。我让它工作了，但它非常难看，所以我希望关闭HTML解释以使事情更干净。另外：
在这里实际上是有效的（
不会，但code>

是可以的）。你是对的。但是，他说，“大于字符是合法的，但替换它是一个好习惯。”我采取了这一预防措施，所以（除非我完全遗漏了什么）我有点失望，因为Nokogiri没有相应地处理它。这一点很好。我忘了提到我正在解析的XML文件太大，无法用DOM解析器加载到内存中。