使用 Jsoup 操作 xml 时如何保留 DOCTYPE 声明

Question

我有一个 XML 文档，它以下列方式开始：

<?xml version="1.0"?>
<!DOCTYPE  viewdef [
<!ENTITY nbsp   "&#160;"> <!-- no-break space = non-breaking space U+00A0 ISOnum -->
<!ENTITY copy   "&#169;"> <!-- copyright sign, U+00A9 ISOnum -->
<!ENTITY amp    "&#038;"> <!-- ampersand -->
<!ENTITY shy    "&#173;"> <!-- soft hyphen -->
]>

我正在使用 Jsoup 1.8.2 以如下方式解析文档：

public static void convertXml(String inFile, String outFile) throws Exception {
    String xmlString = FileUtils.readFileToString(new File(inFile), Charset.forName("UTF-8")); 
    Document document = Jsoup.parse(xmlString, "UTF-8", Parser.xmlParser());
    FileUtils.writeStringToFile(new File(outFile), document.html(), "UTF-8");           
}

在这种情况下，我希望输出文件与输入文件相同，但 Jsoup 会生成此文件：

<?xml version="1.0"?> <!DOCTYPE viewdef> 
<!-- no-break space = non-breaking space U+00A0 ISOnum --> 
<!--ENTITY copy   "&#169;"--> 
<!-- copyright sign, U+00A9 ISOnum --> 
<!--ENTITY amp    "&#038;"--> 
<!-- ampersand --> 
<!--ENTITY shy    "&#173;"--> 
<!-- soft hyphen --> ]&gt;

这是一个错误还是有什么方法可以保留原始 DOCTYPE 声明？

Answer 1

在使用 Jsoup 解析 xmlString 之前，手动替换 DOCTYPE 序列，然后将其添加回最终文档中。

示例代码

private final static String DOCTYPE_SEQUENCE = "<doctype-sequence/>";
private final static Pattern patern = Pattern.compile("(?i)<!DOCTYPE[\s\S]+]>");

public static void convertXml(String inFile, String outFile) throws Exception {
    String xmlString = FileUtils.readFileToString(new File(inFile), Charset.forName("UTF-8")); 
    
    // * Remove the doctype sequence if found
    String doctype = "";
    Matcher matcher = pattern.matcher(xmlString);
    if (matcher.find()) {
        doctype = matcher.group(0);
        xmlString = xmlString.replace( doctype, DOCTYPE_SEQUENCE);
    }

    // * 
    Document document = Jsoup.parse(xmlString, "UTF-8", Parser.xmlParser());
    FileUtils.writeStringToFile(new File(outFile), document.html().replace(DOCTYPE_SEQUENCE, doctype), "UTF-8");           
}

pattern 变量在convertXml 之外，以避免多重模式编译。