Java XML 解析：避免实体引用解析

Posted 2023-02-24

【中文标题】Java XML 解析：避免实体引用解析

【英文标题】：Java XML Parsing: Avoid entity reference resolution

【发布时间】：2011-11-06 15:19:39

【问题描述】：

我目前正在使用 DOM 解析器解析 Xhtml 文档，例如：

final DocumentBuilderFactory dbf = DocumentBuilderFactory.newInstance();
dbf.setValidating(false);

final DocumentBuilder db = dbf.newDocumentBuilder();
db.setEntityResolver(MY_ENTITY_RESOLVER);
db.setErrorHandler(MY_ERROR_HANDLER);
...
final Document doc = db.parse(inputSource);

我的问题是，当我的文档包含实体引用时，例如：

<p>&euro;</p>

我的解析器为包含“€”而不是“€”的内容创建一个文本节点。也就是说，它以应有的方式解析实体（XHTML 1.0 Strict DTD 链接到 ENTITIES Latin1 DTD，进而建立了 "€" 与 "€" 的等价性）。

问题是，我不希望解析器做这样的事情。 我想保留“€”文本未修改。

我已经尝试过：

final DocumentBuilderFactory dbf = DocumentBuilderFactory.newInstance();
dbf.setExpandEntityReferences(false);

但是：

我不喜欢这个，因为我担心这可能会使某些解析器实现无法导航从 XHTML 1.0 Strict DTD 到 ENTITIES Latin1 DTD，因此不考虑“€”作为一个声明的实体。

当我这样做时，它奇怪地创建了两个节点：一个“磅”实体节点和一个后面带有“€”符号的文本节点。

有什么想法吗？ 是否可以在 DOM 解析器中进行配置，而无需使用 预处理 XHTML 并将所有“&”符号替换为其他符号？...

解决方案可以是 DOM 解析器，也可以是 SAX 解析器，我不介意使用 SAX 解析然后使用转换创建我的 DOM...

另外，我无法切换到非标准 XML 解析库。没有 jdom，没有 jsoup，没有 HtmlCleaner 等。

非常感谢。

【问题讨论】：

我的解析器创建了一个文本节点..你是如何测试的？

【参考方案1】：

我采用的方法是用 Xerces 将其视为纯文本的唯一标记替换任何实体。转换为 Document 对象后，标记将替换为 Entity Reference 对象。

见http://sourceforge.net/p/commonclasses/code/14/tree/trunk/src/com/redhat/ecs/commonutils/XMLUtilities.java中的convertStringToDocument()函数

【讨论】：

是的，经过大量搜索和测试，我终于做了类似的事情：我创建了一个读取器（java.io.BufferedReader 的扩展），它可以即时替换“&”将 XML 实体中的符号替换为另一个符号，然后对解析后的文档进行后处理，将这些符号替换为 & 号。它看起来不干净，因为它不是;-)，但它有效。