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>€</p>
我的解析器为包含“€”而不是“€”的内容创建了一个文本节点。也就是说,它以预期的方式解析实体(XHTML 1.0 Strict DTD 链接到 ENTITIES Latin1 DTD,后者又建立了“€”与“€”的等价)。
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:
我不喜欢这样,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“€”作为声明的实体。
当我这样做时,它奇怪地创建了两个节点:一个“井号”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 解析器中配置它而不诉诸 预处理 XHTML 并将所有“&”符号替换为其他符号?...
解决方案可以用于 DOM 解析器或 SAX 解析器,我不介意使用 SAX 解析然后使用转换创建我的 DOM...
此外,我无法切换到非标准的 XML 解析库。没有 jdom,没有 jsoup,没有 HtmlCleaner 等。
非常感谢。
最佳答案
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。转换为文档对象后,标记将替换为实体引用对象。
参见 http://sourceforge.net/p/commonclasses/code/14/tree/trunk/src/com/redhat/ecs/commonutils/XMLUtilities.java 中的 convertStringToDocument() 函数
关于Java XML 解析 : Avoid entity reference resolution,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/7240857/