使用java从xml中删除包含实体的doctype

Posted 2023-02-26

【中文标题】使用java从xml中删除包含实体的doctype

【英文标题】：Remove doctype containing entity from xml using java

【发布时间】：2019-04-19 10:46:57

【问题描述】：

我正在尝试处理一个 xml，在此之前我需要从输入 xml 中删除 doctype 和实体声明。

我正在使用下面的代码来删除文档类型和实体：

fileContent = fileContent.replaceAll("<!ENTITY ((.|\n|\r)*?)\">", "");
fileContent = fileContent.replaceAll("<!DOCTYPE((.|\n|\r)*?)>", "");

这将删除实体，然后删除文档类型。 如果 xml 在 xml 中包含以下 doctype 声明，这可以正常工作：

<!DOCTYPE ichicsr SYSTEM "http://www.w3.org/TR/html4/frameset.dtd">

<!DOCTYPE ichicsr SYSTEM "D:\UPGRADE\NTServices\Server\\Xml21.dtd"
[<!ENTITY % entitydoc SYSTEM "D:\UPGRADE\NTServices\Server\\latin-entities.dtd"> %entitydoc;]>

但是，如果我有下面给出的 doctype，它就不起作用，并且 xml 中的根标记被剥离：

<!DOCTYPE ichicsr SYSTEM "D:\UPGRADE\NTServices\Server\\Xml21.dtd" 
[<!ENTITY % entitydoc SYSTEM 'D:\UPGRADE\NTServices\Server\\Xml21.dtd'>
]> 

如果我使用的正则表达式不正确或需要采取任何其他措施，请告诉我。

【问题讨论】：

永远不要使用(.|\n|\r)*?，将.*?与Pattern.DOTALL（或内联(?s)变体）一起使用，或至少使用[\s\S]*?。

尝试单个替换replaceAll("<!DOCTYPE[^<>]*(?:<!ENTITY[^<>]*>[^<>]*)?>", "")

感谢维克托。它对我有用。但是，有没有办法使用单一模式来处理大写和小写的文档类型和实体？

好吧，你的行不通，因为在 ENTITIY 正则表达式中 > 之前需要 "。您可以在那里将\" 替换为['\"]。

好的..明白了。但是，有没有办法使用单一模式处理大写和小写文档类型和实体

【参考方案1】：

您的方法不起作用，因为您在 ENTITIY 正则表达式中的最终 > 之前需要 "。您可以在那里将\" 替换为['\"]。

此外，切勿在任何正则表达式中使用(.|\n|\r)*?，因为它是性能杀手。相反，将.*? 与Pattern.DOTALL（或内联(?s) 变体）一起使用，或至少使用[\s\S]*?。

不过，还有一个更好的办法：将两个正则表达式合并为一个：

fileContent = fileContent.replaceAll("(?i)<!DOCTYPE[^<>]*(?:<!ENTITY[^<>]*>[^<>]*)?>", "");

请参阅regex demo。

详情

(?i) - 不区分大小写 Pattern.CASE_INSENSITIVE 内联修饰符 <!DOCTYPE - 文字文本 [^<>]* - 除了 < 和 > 之外的 0+ 个字符 (?:<!ENTITY[^<>]*>[^<>]*)? - 可选出现 <!ENTITY [^<>]* - 除了 < 和 > 之外的 0+ 个字符 > - 一个 > 字符 [^<>]* - 除了 < 和 > 之外的 0+ 个字符 > - > 字符。

【讨论】：

非常感谢wiktor的解决方案。