Как разобрать плохо сформированный XML в Java?

Question

У меня есть XML, который мне нужно проанализировать, но я не могу контролировать его создание.К сожалению, это не очень строгий XML-файл и содержит такие вещи, как:

<mytag>This won't parse & contains an ampersand.</mytag>

Классам javax.xml.stream это совсем не нравится, и справедливо ошибка с:

javax.xml.stream.XMLStreamException: ParseError at [row,col]:[149,50]
Message: The entity name must immediately follow the '&' in the entity reference.

Как я могу обойти это?Я не могу изменить XML, поэтому, думаю, мне нужен анализатор, устойчивый к ошибкам.

Я бы предпочел исправление, которое не требует слишком больших сбоев в существующем коде синтаксического анализатора.

Answer 1

Если это недопустимый XML (как указано выше), то ни один анализатор XML не будет обрабатывать его (как вы определили).Если вам известен масштаб ошибок (например, описанная выше проблема с сущностью), то самым простым решением может быть запуск процесса исправления (исправление сущностей, таких как вставка сущностей), а затем передача его существующему анализатору.

В противном случае вам придется самостоятельно закодировать его со встроенной поддержкой таких аномалий.И я не могу поверить, что это что-то иное, кроме как утомительная и подверженная ошибкам задача.

Answer 2

Используйте библиотеки, такие как tidy или tagsoup.

TagSoup, синтаксический анализатор, совместимый с SAX, написанный на Java, который вместо анализа правильно сформированного или допустимого XML анализирует HTML в том виде, в каком он встречается в дикой природе:бедный, противный и жестокий, хотя довольно часто далеко не низкорослый.

Answer 3

Я считаю, что JSoup может обрабатывать плохо сформированный XML