Ruby Nokogiri SAX 解析器在“>”（又名“>”）处截断字符串

Question

背景：我正在使用 Ruby 的 Nokogiri gem 来解析 XML 文件。我遇到的问题是，当字符串包含>（> 的 HTML 编码）时，SAX 解析器返回不完整的结果。例如：

<element>PART1PART2</element> #=> returns "PART1PART2"
<element>PART3&gt;PART4</element> #=> returns "PART3"

我的解析器如下所示：

require 'nokogiri'
class MySample < Nokogiri::XML::SAX::Document
  def characters(string)
    puts string
  end
end
# Create a new parser
parser = Nokogiri::XML::SAX::Parser.new(MySample.new)
# Feed the parser some XML
parser.parse_file(ARGV[0])

研究：如果一个字符串包含>，那么Nokogiri 认为这是字符串的结尾。在字符串中包含> 将被视为格式不正确的 XML。但是，我的 XML 格式正确，但 Nokogiri 认为 > 标记了字符串的结尾。这意味着 Nokogiri 在解析字符串之前正在解释 HTML（将 > 转换为 >）。

问题：为什么 Nokogiri 为> 解释 HTML，我如何确保它解析完整的字符串？

---

1 年更新 (FWIW)

自从我第一次发布这个问题以来已经一年多了，此时我还没有对我最初的问题找到明确的答案。因此，我想我会为将来遇到这篇文章的任何人提供一些更新。请记住，我说的是 SAX 解析，而不是 DOM 解析。

要点：

• 最初的问题是关于 Nokogiri v1.6.1。最新版本（在撰写本文时）是 v1.6.6，但问题仍未解决。

1234563 ，另一个字符串包含两次>，等等）。

• 我简单地测试了另一个名为 Ox 的 Ruby 解析器，发现它没有与 Nokogiri 相同的问题。事实上，它正确处理包含> 的字符串。此外，它还可以处理包含> 的字符串。作为奖励，it appears to perform faster than Nokogiri (but it's not without its faults)。

底线：

如果您对 Nokogiri 也有类似的问题，那么我建议您查看 Ox 作为可能的替代方案。我不会争辩说一颗宝石比另一颗更好（这不是它的用途）。不过，我可以保证 Ox 能够处理包含 > 和/或 > 的字符串。

Answer 1

您没有说明为什么要尝试使用 SAX 解析器。 Nokogiri 在使用 DOM 解析器解析文档时正确处理文档：

require 'nokogiri'

doc = Nokogiri::XML(<<EOT)
<root>
  <element>PART1PART2</element>
  <element>PART3&gt;PART4</element>
</root>
EOT

puts doc.to_xml
# >> <?xml version="1.0"?>
# >> <root>
# >>   <element>PART1PART2</element>
# >>   <element>PART3&gt;PART4</element>
# >> </root>

您可能想与their mail-list 上的开发人员联系。