首页 文章

如何解析无效（错误/不良格式）的XML？

提问于
浏览 次
12

目前，我'm working on a feature that involves parsing XML that we receive from another product. I decided to run some tests against some actual customer data, and it looks like the other product is allowing input from users that should be considered invalid. Anyways, I still have to try and figure out a way to parse it. We'正在使用 javax.xml.parsers.DocumentBuilder ，我收到的输入错误如下所示 .

<xml>
  ...
  <description>Example:Description:<THIS-IS-PART-OF-DESCRIPTION></description>
  ...
</xml>

正如您所知，描述中的内容似乎是无效标记（ <THIS-IS-PART-OF-DESCRIPTION> ） . 现在，已知此描述标记是叶标记，并且不应在其中包含任何嵌套标记 . 无论如何，这仍然是一个问题，并在 DocumentBuilder.parse(...) 上产生异常

我知道这是无效的XML，但它可以预测无效 . 有关解析此类输入的方法的任何想法？

java xml xml-parsing xml-validation

4 回答

  • 1

    那个"XML"比无效更糟糕 - 它不是很好;见 Well Formed vs Valid XML .

    对违法行为可预测性的非正式评估无济于事 . 该文本数据不是XML . 没有符合要求的XML工具或库可以帮助您处理它 .

    选项，最首选：

    • 让提供商解决问题 . Demand well-formed XML. （从技术上讲，格式良好的XML是多余的，但可能对强调有用 . ）

    • 使用 tolerant markup parser 在解析为XML之前清除问题：

    • Standalone: xmlstarlet具有强大的恢复和修复功能信用：RomanPerekhrest

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

    可以禁用

    据说

    • Microsoft.Language.Xml.XMLParser是“容错的” .

    • PHP: 见DOMDocument::$recover和libxml_use_internal_errors(true) . 看到好的例子here .

    • Ruby: Nokogiri支持“Gentle Well-Formedness” .

    • R: 有关R中的容错标记解析，请参阅htmlTreeParse()

    • Process the data as text 使用文本编辑器手动或使用字符/字符串函数以编程方式 . 以编程方式执行此操作的范围可以从 tricky to impossible 开始，因为看起来可预测的通常不是 rule breaking is rarely bound by rules .

    • 对于 invalid character errors ，使用正则表达式删除/替换无效字符：

    • PHP: preg_replace('/[^\x{0009}\x{000a}\x{000d}\x{0020}-\x{D7FF}\x{E000}-\x{FFFD}]+/u', ' ', $s);

    • Ruby: string.tr("^\u{0009}\u{000a}\u{000d}\u{0020}-\u{D7FF}\u{E000}-\u{FFFD}", ' ')

    • JavaScript: inputStr.replace(/[^\x09\x0A\x0D\x20-\xFF\x85\xA0-\uD7FF\uE000-\uFDCF\uFDE0-\uFFFD]/gm, '')

    • 对于 ampersands ，使用正则表达式替换 &amp; 匹配：credit：blhsin，demo

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

    请注意，上述正则表达式不会考虑注释或CDATA部分 .

    回复于
  • 1

    标准的XML解析器永远不会接受无效的XML设计 .

    您唯一的选择是在解析之前预先处理输入以删除“可预测的无效”内容，或将其包装在CDATA中 .

    回复于
  • 14

    IMO这些案例应该通过使用JSoup来解决 .

    以下是这个具体案例的一个不太真实的答案，但找到this on the web（感谢Coderwall上的inuyasha82） . 在处理格式错误的XML时，这个代码位确实激发了我另一个类似的问题，所以我在这里分享它 .

    请不要编辑下面的内容，就像在原始网站上一样 .

    XML格式要求在文档中声明的唯一根元素有效 . 例如，有效的xml是：

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

    但是如果你有一个像这样的文件：

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

    这将被视为格式错误的XML，因此许多xml解析器只会抛出一个抱怨没有根元素的异常 . 等等 .

    在此示例中，有一个解决方案可以解决该问题，并成功解析上面的格式错误的xml .

    基本上我们要做的是以编程方式添加根元素 .

    首先，您必须打开包含“格式错误”的xml（即文件）的资源：

    File file = new File(pathtofile);

    然后打开一个FileInputStream：

    FileInputStream fis = new FileInputStream(file);

    如果我们尝试在此时使用任何XML库解析此流，我们将引发格式错误的文档Exception .

    现在我们创建一个包含三个元素的InputStream对象列表：

    包含字符串的ByteIputStream元素：“”我们的FileInputStream带字符串的ByteInputStream：“”所以代码是：

    List<InputStream> streams = 
    Arrays.asList(
        new ByteArrayInputStream("<root>".getBytes()),
    fis,
    new ByteArrayInputStream("</root>".getBytes()));

    现在使用SequenceInputStream，我们为上面创建的List创建一个容器：

    InputStream cntr = 
new SequenceInputStream(Collections.enumeration(str));

    现在我们可以在cntr上使用任何XML Parser库，它将被解析而没有任何问题 . （用Stax库检查）;

    回复于
  • 1

    接受的答案是很好的建议，并包含非常有用的链接 .

    我想补充一点这可以使用SGML（HTML和XML的ISO标准化超集）修复未完成和/或DTD无效的XML . 在你的情况下，有效的是将伪造的 THIS-IS-PART-OF-DESCRIPTION 元素声明为SGML空元素，然后使用eg . osx 程序（OpenSP / OpenJade SGML包的一部分）将其转换为XML . 例如，如果您将以下内容提供给 osx

    <!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>

    它将输出格式良好的XML，以便使用您选择的XML工具进行进一步处理 .

    但请注意，您的示例代码段还有另一个问题，即以字母 xml 或 XML 或 Xml 等开头的元素名称在XML中保留，并且不会被符合XML的解析器接受 .

    回复于

相关问题