当 HTML 文件包含 mdash 时，如何使用 Xerces 避免 SAXParseException？答案

【问题标题】：How to avoid a SAXParseException using Xerces when HTML file includes mdash?当 HTML 文件包含 mdash 时，如何使用 Xerces 避免 SAXParseException？
【发布时间】：2009-11-27 13:49:26
【问题描述】：

我正在使用 JDK6 中的 Xerces 实现对 HTML 4.0 过渡文档执行 XPath 查询。使用以下代码：

XPath newXPath = XPathFactory.newInstance().newXPath();
XPathExpression xpathExpr = newXPath.compile(expression);
Object xPathResult = xpathExpr.evaluate(inputSource, XPathConstants.NODESET);

inputSource 是从 FileInputStream 构建的，我收到异常：

引起：org.xml.sax.SAXParseException：实体“mdash”被引用，但未声明。在 com.sun.org.apache.xerces.internal.parsers.DOMParser.parse(DOMParser.java:239) 在 com.sun.org.apache.xerces.internal.jaxp.DocumentBuilderImpl.parse(DocumentBuilderImpl.java:283) 在 com.sun.org.apache.xpath.internal.jaxp.XPathExpressionImpl.evaluate(XPathExpressionImpl.java:291)

此消息也会打印到标准输出：

[致命错误]：20:43：引用了实体“mdash”，但未声明。

如何避免这个异常？

HTML 文件是从 XML 的 XSLT 转换创建的。我认为我不一定需要它是&mdash;，我不确定。 HTML 将显示在 Java Swing 应用程序中。

我很难判断我的具体实现中的哪些信息与此问题相关。如果需要更多信息，请通过 cmets 告诉我。

所以，我误以为 HTML 是 XML（实际上根本没有考虑到这一点）。

那么，给定一个 HTML 文件，我该如何解决这个问题呢？

为解析器提供 HTML 4 的 DTD？
将&mdash; 替换为等效项。 HTML 是通过 XSLT 转换创建的，是否可以将样式表设置为将 mdash 替换为等效的数字符号？
是否有任何库可以在将 HTML 提供给解析器之前对其进行修复？我注意到 JTidy 出于类似目的而被提及。

【问题讨论】：

标签： java html xml xslt xpath

【解决方案1】：

问题在于，如果呈现给 Xerces 的文档没有带有 mdash 声明的 DTD，则它不是格式良好的 XML 文档 - 所有实体都必须声明。 HTML 有一组 HTML 处理器需要知道的“内置”实体，这些实体应该在 DTD 中。

不带 DTD 的最简单解决方法是将 mdash 替换为等效的数字（&#x2014; 或 &#8212;）

【讨论】：

XHTML 会出现这个问题吗？
可以定义实体的唯一位置是在 DTD 中。因此，如果文件具有带有 DTD 的 DOCTYPE，Xerces 应该从那里检索实体。
另一个问题是我在大学代理后面工作，查找超时。我不想弄乱代理，是否可以向 Xerces 提供本地 DTD 文件，我可以从 w3c.org 保存相关文件？

【解决方案2】：

文件头中正确的 DTD 应该包含所有必要的实体声明，如果您的文件格式正确，那么解析器将遵循此信息。

如果 HTML 格式不正确，我建议使用 TagSoup 库来解决此问题。它读取输入并尝试生成有效的 XHTML 作为输出，从不报告任何解析错误，只是尝试使用内置的启发式方法修复它们。我能够成功地处理来自网络的非常损坏的 HTML，并对其执行 XPath 查询（看起来这就是你所需要的）。

【讨论】：

【解决方案3】：

我想我找到了针对我的具体情况的问题。 HTML 文件是使用 XSLT 从 XML 文件生成的。通过换行：

<xsl:output method="html" />

到：

<xsl:output method="xml" />

转换未创建&mdash; 实体。然后可以使用 Xerces 解析输出文件。

我不确定这是否“正确”，但它似乎可以在 Swing 中显示。

【讨论】：

太糟糕了，我看到这个有点晚了。是的，这也是一个适当且正确的解决方案。如果你可以生成“干净”的 XML，你就不需要 JTidy。

【解决方案4】：

鉴于 HTML 不是 XML，我认为您在尝试使用 XML 解析器解析 HTML 过渡时可能会发现很多问题。但如果您的 HTML 实际上是格式良好的 XML，则 mdash 和其他实体通常在 DTD 中定义。确保您的解析器具有文档的 DTD，它应该没问题。

【讨论】：

【解决方案5】：

面对这种问题，我通过JTidy 运行(X)HTML。 JTidy 将接受与 HTML 或 XML 模糊相似的输入，并在适当的选项下将其转换为格式良好的 XML，可以通过所有常用的 XML 工具进行处理。

这省去了我处理所有可能出现的特殊情况和极端情况的麻烦。一次性搞清楚如何连接输入和输出，以及使用哪些选项；之后，It Just Works™。

这不是解决您使用 mdash 的具体问题的解决方案——但我怀疑这绝不是您的最后一个问题。

【讨论】：

【解决方案6】：

您可以启用功能“http://apache.org/xml/features/continue-after-fatal-error”以在未知实体的情况下不引发异常。不过，这仍然会发出警告：

documentBuilderFactory.setFeature("http://apache.org/xml/features/continue-after-fatal-error", true);

瞧瞧！

【讨论】：