元素文本中带有“&”的 XML 解析问题

Posted 2023-02-26

【中文标题】元素文本中带有“&”的 XML 解析问题

【英文标题】：XML parsing issue with '&' in element text

【发布时间】：2011-04-19 19:03:39

【问题描述】：

我有以下代码：

import javax.xml.parsers.DocumentBuilder;
import javax.xml.parsers.DocumentBuilderFactory;
import org.w3c.dom.Document;

DocumentBuilderFactory factory = DocumentBuilderFactory.newInstance();
DocumentBuilder builder = factory.newDocumentBuilder();
Document document = builder.parse(new InputSource(new StringReader(inputXml)));

解析步骤被抛出：

SAXParseException: The entity name must immediately follow 
                   the '&' in the entity reference

由于我的inputXml 中有以下“&”：

<Line1>Day & Night</Line1>

我无法控制入站 XML。我怎样才能安全/正确地解析这个？

【参考方案1】：

很简单，输入“XML”不是有效的 XML。实体应该被编码，即：

<Line1>Day &amp; Night</Line1>

基本上，除了告诉 XML 供应商他们给你垃圾并让 他们 修复它之外，没有“正确”的方法来解决这个问题。如果您处于必须处理的可怕情况，那么您采取的方法可能取决于您期望获得的价值范围。

如果文档中根本没有实体，则在处理之前将& 的正则表达式替换为& 就可以了。但是，如果他们正确发送了一些实体，您需要从匹配中排除这些实体。如果他们真的想发送实体代码（即发送&，但意思是&），那么您将完全不走运。

但是，嘿 - 无论如何，这都是供应商的错，如果您修复无效输入的尝试不是他们想要的，他们可以做一件简单的事情来解决这个问题。 :-)

【讨论】：

啊，谢谢。我怕是这样。听起来好像打了几个电话就可以了:)

大家好，我遇到了类似的问题，但是在处理之前将“&”替换为“&”（即 StringEscapeUtils.unescapehtml() ）不能解决我的问题吗？

【参考方案2】：

您的输入 XML 不是有效的 XML；不幸的是，您实际上无法使用 XML 解析器来解析它。

在将文本传递给 XML 解析器之前，您需要对其进行预处理。虽然您可以进行字符串替换，将'& ' 替换为'& '，但这不会捕获输入中& 的每一次出现，但您可能会想出一些办法。

【参考方案3】：

xml解析前我用过Tidy框架

final StringWriter errorMessages = new StringWriter();
final String res = new TidyChecker().doCheck(html, errorMessages);
...
DocumentBuilder db = DocumentBuilderFactory.newInstance().newDocumentBuilder();
Document doc = db.parse(new InputSource(new StringReader(addRoot(html))));  
...

一切都好

【参考方案4】：

inputXML 是一个字符串吗？然后使用这个：

inputXML = inputXML.replaceAll("&\\s+", "&");

【讨论】：

好主意，但如上所述，需要注意文档中的实体。

试试这个具有负面预测的解决方案：***.com/a/1944951/107277

这应该是 inputXML = inputXML.replaceAll("&\\s+", "& ");