替换格式不正确的 XML 正文中的字符答案

【问题标题】：Replacing characters in a non well-formed XML body替换格式不正确的 XML 正文中的字符
【发布时间】：2011-03-01 19:38:18
【问题描述】：

在我正在处理的（Java）代码中，我有时会处理格式不正确的 XML（表示为 Java String），例如：

<root>
  <foo>
    bar & baz < quux
  </foo>
</root>

由于这个 XML 最终需要被解组（使用 JAXB），显然这个 XML 会在解组时抛出异常。

将& 和&lt; 替换为其字符实体的最佳方法是什么？对于&，很简单：

xml.replaceAll("&", "&amp;")

但是，对于 &lt; 符号，这有点棘手，因为显然我不想替换用于 XML 标记开头“括号”的 &lt;。

除了扫描字符串并手动将 XML 正文中的 &lt; 替换为 &lt; 之外，您还有什么建议？

【问题讨论】：

您的程序将如何区分文本中的（位于 foo 元素内）和 XML 中的（以 foo 元素结尾）？
如何判断&lt; 是否是打开标签？
每个标签和值是否像您的示例一样打印在一行上？
@Sjoerd：就本应用而言，可以安全地假设正文中没有“XML 结束标记”，即正文中没有</foo>跨度>
@stacker: 不，整个 XML 可以在 1 行中。

标签： java xml non-well-formed

【解决方案1】：

坦率地说，修复格式错误的 XML 的最佳方法是将其发回给生成它的人，并要求他们向您发送格式正确的 XML。您展示了一个简单的示例，它可能有解决方案，但修复格式错误的 XML 的通用方法将是一项可怕的工作。

而且由于不需要 XML 解析器来处理格式错误的 XML，因此您的解析器也不需要这样做。只是不要这样做。

【讨论】：

【解决方案2】：

我猜你需要更高级的逻辑。最好先使用“(]+>)”之类的正则表达式定位所有真实标签，然后只替换那些匹配项之外的文本，但显然你将无法使用 replaceAll 方法。这将更像是一项管道工作......

【讨论】：

【解决方案3】：

虽然它是一个旧帖子，但我认为它可能对其他人有所帮助..我有相同的要求/问题，我可以使用以下代码解决。

import java.util.regex.Matcher;
import java.util.regex.Pattern;


public class XMLTest {

/**
* @param args
*/

public static void main(String[] args) {

String xml = "<xml><body>" +
"<message>something < between <<<  somthing </message>" +
"<text> testing  >> > testing </text>" +
"</body></xml>";

Pattern replaceGTPattern = Pattern.compile(">[^<](.[^<]*)(>)+");

Matcher m = replaceGTPattern.matcher(xml);

String replacement;
StringBuffer intermXml = new StringBuffer();


while(m.find()){

    replacement = ">"+m.group(0).substring(1).replaceAll(">", ";&gt");


    m.appendReplacement(intermXml,replacement);


    }


    m.appendTail(intermXml);

Pattern replaceLTPattern = Pattern.compile("<(.[^>]*)(<)+");

m = replaceLTPattern.matcher(intermXml);

StringBuffer finalXml = new StringBuffer();

while(m.find()){

    replacement = m.group(0).substring(0,m.group(0).length()-1).replaceAll("<", ";&lt").concat("<");


    m.appendReplacement(finalXml,replacement);


    }

    m.appendTail(finalXml);

    System.out.println(finalXml);

}
}

【讨论】：