Recuperando HTML codificado texto de XML usando SAXParser
https://stackoverflow.com/questions/4011985
italiano
english
français
española
中国
日本の
العربية
Deutsch
한국어
Português
RussianPregunta
Esta es mi primera vez usando SAXParser, (lo estoy usando en Android, pero no creo que eso hace la diferencia para este tema en particular) y estoy tratando de leer los datos de un feed RSS. Hasta el momento, es muy bueno para mí trabajar en su mayor parte, pero estoy teniendo problemas cuando se llega a una etiqueta HTML que contiene el texto codificado (por ejemplo <a href="http://...). El método characters() sólo lee en el < como <, a continuación, trata el siguiente conjunto de caracteres como una entidad separada, en lugar de tomar todo el contenido a la vez. Yo prefiero que acaba de leer en como es, sin llegar a traducir el código HTML. El código que estoy usando para mi alimentador de documentos (abreviado) se publica a continuación:
@Override
public void startElement(String uri, String localName, String qName, Attributes attrs) throws SAXException {
if (localName.equalsIgnoreCase("channel")) {
inChannel = true;
}
if (inChannel) {
if (newFeed == null) newFeed = new Feed();
if (localName.equalsIgnoreCase("image")) {
if (feedImage == null) feedImage = new Image();
inImage = true;
}
if (localName.equalsIgnoreCase("item")) {
if (newItem == null) newItem = new Item();
if (itemList == null) itemList = new ArrayList<Item>();
inItem = true;
}
}
}
@Override
public void endElement(String uri, String localName, String qName) throws SAXException {
if(!inItem) {
if(!inImage) {
if(inChannel) {
//Reached end of feed
if(localName.equalsIgnoreCase("channel")) {
newFeed.setItems((ArrayList<Item>)itemList);
finalFeed = newFeed;
newFeed = null;
inChannel = false;
return;
} else if(localName.equalsIgnoreCase("title")) {
newFeed.setTitle(currentValue); return;
} else if(localName.equalsIgnoreCase("link")) {
newFeed.setLink(currentValue); return;
} else if(localName.equalsIgnoreCase("description")) {
newFeed.setDescription(currentValue); return;
} else if(localName.equalsIgnoreCase("language")) {
newFeed.setLanguage(currentValue); return;
} else if(localName.equalsIgnoreCase("copyright")) {
newFeed.setCopyright(currentValue); return;
} else if(localName.equalsIgnoreCase("category")) {
newFeed.addCategory(currentValue); return;
}
}
}
else { //is inImage
//finished with feed image
if(localName.equalsIgnoreCase("image")) {
newFeed.setImage(feedImage);
feedImage = null;
inImage = false;
return;
} else if (localName.equalsIgnoreCase("url")) {
feedImage.setUrl(currentValue); return;
} else if (localName.equalsIgnoreCase("title")) {
feedImage.setTitle(currentValue); return;
} else if (localName.equalsIgnoreCase("link")) {
feedImage.setLink(currentValue); return;
}
}
}
else { //is inItem
//finished with news item
if (localName.equalsIgnoreCase("item")) {
itemList.add(newItem);
newItem = null;
inItem = false;
return;
} else if (localName.equalsIgnoreCase("title")) {
newItem.setTitle(currentValue); return;
} else if (localName.equalsIgnoreCase("link")) {
newItem.setLink(currentValue); return;
} else if (localName.equalsIgnoreCase("description")) {
newItem.setDescription(currentValue); return;
} else if (localName.equalsIgnoreCase("author")) {
newItem.setAuthor(currentValue); return;
} else if (localName.equalsIgnoreCase("category")) {
newItem.addCategory(currentValue); return;
} else if (localName.equalsIgnoreCase("comments")) {
newItem.setComments(currentValue); return;
} /*else if (localName.equalsIgnoreCase("enclosure")) {
To be implemented later
}*/ else if (localName.equalsIgnoreCase("guid")) {
newItem.setGuid(currentValue); return;
} else if (localName.equalsIgnoreCase("pubDate")) {
newItem.setPubDate(currentValue); return;
}
}
}
@Override
public void characters(char[] ch, int start, int length) {
currentValue = new String(ch, start, length);
}
Y un ejemplo de la fuente RSS que estoy tratando de análisis sintáctico es éste .
¿Alguna idea?
Solución 2
En caso de que ayuda a nadie, yo era capaz de resolver este problema mediante el uso de un booleano para cada campo en el que estoy interesado en los datos. Entonces continué anexados para un StringBuilder hasta llegar a una etiqueta de cierre, después de lo cual tomé el valor StringBuilder, entonces vacié, y puse mi booleano false.
@Override
public void startElement(String uri, String localName, String qName, Attributes attrs) throws SAXException {
sb.delete(0, sb.length());
if (localName.equalsIgnoreCase("channel")) {
inChannel = true;
newFeed = new Feed();
itemList = new ArrayList<Item>();
}
if (inChannel) {
if (localName.equalsIgnoreCase("image")) {
feedImage = new Image();
inImage = true;
return;
}
else if (localName.equalsIgnoreCase("item")) {
newItem = new Item();
inItem = true;
return;
}
if(inImage) { //set booleans for image elements
if (localName.equalsIgnoreCase("title")) imgTitle = true;
else if (localName.equalsIgnoreCase("link")) imgLink = true;
else if (localName.equalsIgnoreCase("url")) imgURL = true;
return;
}
else if(inItem) { //set booleans for item elements
if (localName.equalsIgnoreCase("title")) iTitle = true;
else if (localName.equalsIgnoreCase("link")) iLink = true;
else if (localName.equalsIgnoreCase("description")) iDescription = true;
else if (localName.equalsIgnoreCase("author")) iAuthor = true;
else if (localName.equalsIgnoreCase("category")) iCategory = true;
else if (localName.equalsIgnoreCase("comments")) iComments = true;
else if (localName.equalsIgnoreCase("guid")) iGuid = true;
else if (localName.equalsIgnoreCase("pubdate")) iPubDate= true;
else if (localName.equalsIgnoreCase("source")) iSource = true;
return;
} else { //set booleans for channel elements
if (localName.equalsIgnoreCase("title")) fTitle = true;
else if (localName.equalsIgnoreCase("link")) fLink = true;
else if (localName.equalsIgnoreCase("description")) fDescription = true;
else if (localName.equalsIgnoreCase("language")) fLanguage= true;
else if (localName.equalsIgnoreCase("copyright")) fCopyright = true;
else if (localName.equalsIgnoreCase("category")) fCategory = true;
return;
}
}
}
@Override
public void endElement(String uri, String localName, String qName) throws SAXException {
if(inChannel) {
if(inImage) {
if (localName.equalsIgnoreCase("title")) {
feedImage.setTitle(sb.toString());
sb.delete(0, sb.length());
imgTitle = false;
return;
}
else if (localName.equalsIgnoreCase("link")) {
feedImage.setLink(sb.toString());
sb.delete(0, sb.length());
imgLink = false;
return;
}
else if (localName.equalsIgnoreCase("url")) {
feedImage.setUrl(sb.toString());
sb.delete(0, sb.length());
imgURL = false;
return;
}
else return;
}
else if(inItem) {
if (localName.equalsIgnoreCase("item")) {
itemList.add(newItem);
newItem = null;
inItem = false;
return;
} else if (localName.equalsIgnoreCase("title")) {
newItem.setTitle(sb.toString());
sb.delete(0, sb.length());
iTitle = false;
return;
} else if (localName.equalsIgnoreCase("link")) {
newItem.setLink(sb.toString());
sb.delete(0, sb.length());
iLink = false;
return;
} else if (localName.equalsIgnoreCase("description")) {
newItem.setDescription(sb.toString());
sb.delete(0, sb.length());
iDescription = false;
return;
} else if (localName.equalsIgnoreCase("author")) {
newItem.setAuthor(sb.toString());
sb.delete(0, sb.length());
iAuthor = false;
return;
} else if (localName.equalsIgnoreCase("category")) {
newItem.addCategory(sb.toString());
sb.delete(0, sb.length());
iCategory = false;
return;
} else if (localName.equalsIgnoreCase("comments")) {
newItem.setComments(sb.toString());
sb.delete(0, sb.length());
iComments = false;
return;
} /*else if (localName.equalsIgnoreCase("enclosure")) {
To be implemented later
}*/ else if (localName.equalsIgnoreCase("guid")) {
newItem.setGuid(sb.toString());
sb.delete(0, sb.length());
iGuid = false;
return;
} else if (localName.equalsIgnoreCase("pubDate")) {
newItem.setPubDate(sb.toString());
sb.delete(0, sb.length());
iPubDate = false;
return;
}
}
else {
if(localName.equalsIgnoreCase("channel")) {
newFeed.setItems((ArrayList<Item>)itemList);
finalFeed = newFeed;
newFeed = null;
inChannel = false;
return;
} else if(localName.equalsIgnoreCase("title")) {
newFeed.setTitle(currentValue);
sb.delete(0, sb.length());
fTitle = false;
return;
} else if(localName.equalsIgnoreCase("link")) {
newFeed.setLink(currentValue);
sb.delete(0, sb.length());
fLink = false;
return;
} else if(localName.equalsIgnoreCase("description")) {
newFeed.setDescription(sb.toString());
sb.delete(0, sb.length());
fDescription = false;
return;
} else if(localName.equalsIgnoreCase("language")) {
newFeed.setLanguage(currentValue);
sb.delete(0, sb.length());
fLanguage = false;
return;
} else if(localName.equalsIgnoreCase("copyright")) {
newFeed.setCopyright(currentValue);
sb.delete(0, sb.length());
fCopyright = false;
return;
} else if(localName.equalsIgnoreCase("category")) {
newFeed.addCategory(currentValue);
sb.delete(0, sb.length());
fCategory = false;
return;
}
}
}
}
@Override
public void characters(char[] ch, int start, int length) {
sb.append(new String(ch, start, length));
}
Otros consejos
maravilloso. Esta solución me confundió un poco, y no podía obtener un valor para localName como que tiene, pero todavía era capaz de conseguir el enfoque StringBuilder de trabajo.
Yo no reemplazó en el método:
public void characters(char[] ch, int start, int length) throws SAXException {
tempVal = new String(ch,start,length);
Pero en vez añadido la siguiente línea al método:
tempSB = tempSB.append(new String(ch, start, length));
Donde tempSB es un objeto StringBuilder. Eso significaba que no necesitaba para alterar toda mi analizador, y simplemente puede cambiar a la lectura de la SB cuando era necesario. Cuando llegué a un elemento que contenía html, en startElement, he utilizado:
tempSB.delete(0, tempSB.length());
Y en endElement utilicé:
tempText.setText(tempSB.toString()) ;
Tan simple como eso. Ningún sistema complejo booleano requerida en mi caso, y sin necesidad de acceso localName, que es un concepto que escapa a mí. Me parece que hacer muy bien para acceder a qName.
Muchas gracias por publicar kcoppock la solución que encontró. He estado buscando durante horas y este es el único artículo que pude encontrar conciso y lo suficientemente clara para ayuda. La tarea que estoy trabajando es muy urgente, y yo habría fracasado sin su ayuda.
Los caracteres especiales como que están encerrados en las etiquetas CDATA. Es necesario ver que se conservan, SAX puede entonces tratar correctamente con ellos.
