Как разобрать плохо сформированный XML в Java?

Question

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

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

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

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, мне кажется, мне нужен устойчивый к ошибкам синтаксический анализатор.

Я бы предпочел исправление, которое не требует слишком больших нарушений в существующем коде парсера.

Answer 1

Используйте библиотеки, такие как tidy или tagsoup.

TagSoup, SAX-совместимый синтаксический анализатор, написанный на Java, который вместо синтаксического анализа правильно сформированного или корректного XML анализирует HTML так, как он встречается в дикой природе: плохой, неприятный и грубый, хотя довольно часто далеко не короткий .

Answer 2

Если это недопустимый XML (как выше), то никакой XML-парсер не сможет его обработать (как вы определили). Если вам известна область действия ошибок (например, описанная выше проблема с сущностями), то простейшим решением может быть выполнение над ним процесса исправления (исправление сущностей, например вставка сущностей), а затем передача его в существующий синтаксический анализатор.

В противном случае вам придется самостоятельно кодировать его со встроенной поддержкой таких аномалий. И я не могу поверить, что это что-то кроме утомительной и подверженной ошибкам задачи.

Answer 3

Я считаю, что JSoup может работать с плохо сформированным XML