Java-如何解析无效（格式错误/格式错误）的XML？

Question

目前，我正在开发一项功能，该功能涉及解析从另一产品收到的XML。我决定对一些实际的客户数据进行一些测试，看起来其他产品正在允许来自用户的输入被认为是无效的。无论如何，我仍然必须尝试找出一种解析它的方法。我们正在使用javax.xml.parsers.DocumentBuilder，但输入出现错误，如下所示。

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

如你所知，说明中包含（<THIS-IS-PART-OF-DESCRIPTION>）似乎是无效标签的内容。现在，此描述标签被称为是叶子标签，并且其中不应包含任何嵌套标签。无论如何，这仍然是一个问题，并且会在DocumentBuilder.parse(...)

我知道这是无效的XML，但是可以预期它是无效的。关于解析此类输入的方法有什么想法吗？

Answer 1

“ XML”比无效更糟糕–它的格式不正确；请参阅格式正确与有效XML。

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工具或库可以帮助你处理它。

选项，最可取的是：

1. 让提供者最终解决问题。 要求格式正确的XML。（从技术上讲，格式良好的XML短语是多余的，但可能有助于强调。）

2. 使用容忍标记解析器在解析为XML之前清除问题：

3. Standalone： xmlstarlet具有强大的恢复和修复功能信誉：RomanPerekhrest

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

• **Standalone andC / C **： HTML Tidy也可以与XML一起使用。 Taggle是TagSoup到C 的移植。

• Python： Beautiful Soup是基于Python的。请参阅解析器之间的差异部分中的注释。另请参阅此问题的答案，以获取更多有关处理Python中格式错误的标记的建议。另请参阅此答案以了解如何codecs.EncodedFile()用于清除非法字符。

• Java： TagSoup和JSoup专注于HTML。 FilterInputStream可用于预处理清理。
  。净：
  
• 可以禁用XmlReaderSettings.CheckCharacters来解决过去的非法XML字符问题。
• @jdweng票据是XmlReaderSettings.ConformanceLevel可以被设置为 ConformanceLevel.Fragment使XmlReader可以读取XML格式良好的解析实体缺少根元素。
• @jdweng还报告说XmlReader.ReadToFollowing()，有时可以用来工作，围绕XML语法的问题，但在＃3下文附注违规警告。
• Microsoft.Language.Xml.XMLParser据说是“容错的”。
• PHP：请参阅DOMDocument :: $ recover和libxml_use_internal_errors（true）。在这里看到很好的例子。
• Ruby： Nokogiri支持“ Gentle Well-Formedness ”。
• R：请参见htmlTreeParse（）以了解R中的容错标记解析。

• Perl：请参阅XML :: Liberal，这是“超级自由的XML解析器，用于解析损坏的XML”。

• 使用文本编辑器手动将数据处理为文本，或使用字符/字符串功能以编程方式处理数据。以编程方式执行此操作的范围可能从棘手到不可能，因为似乎经常可以预测的事情并非如此- 打破规则很少受规则约束。

对于无效字符错误，请使用regex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＆符，请使用正则表达式将匹配项替换为&：credit：blhsin，demo

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

请注意，上面的正则表达式不会考虑注释或CDATA部分。