使用 Stax 进行 DTD 解析答案

【问题标题】：DTD parsing with Stax使用 Stax 进行 DTD 解析
【发布时间】：2013-10-07 14:24:31
【问题描述】：

我想解析声明 HTML 4.01 Doctype 的 xml 文件。

<!DOCTYPE HTML PUBLIC "-//W3C//DTD HTML 4.01//EN" "http://www.w3.org/TR/html4/strict.dtd">
<html>
[...]
</html>

我使用 Stax 和 XMLResolver 来加载本地 dtd

XMLInputFactory xmlInputFactory = XMLInputFactory.newInstance();
xmlInputFactory.setXMLResolver(new LocalXmlResolver());
xmlOutputFactory = XMLOutputFactory.newInstance();
xmlOutputFactory.createXMLEventWriter(...)


private static final Map<String, String> DTDS = new HashMap<String, String>(){{
    // XHTML 1.0 DTDs
    put("-//W3C//DTD XHTML 1.0 Strict//EN", "xhtml1-strict.dtd");
    put("-//W3C//DTD XHTML 1.0 Transitional//EN", "xhtml1-transitional.dtd");
    put("-//W3C//DTD XHTML 1.0 Frameset//EN", "xhtml1-frameset.dtd");

    put("-//W3C//DTD HTML 4.01//EN", "strict.dtd");
    put("-//W3C//DTD HTML 4.01 Transitional//EN", "loose.dtd");
    put("-//W3C//DTD HTML 4.01 Frameset//EN", "frameset.dtd");
}};

private static final class LocalXmlResolver implements XMLResolver {

        @Override
        public Object resolveEntity(String publicID, String systemID, String baseURI, String namespace) throws XMLStreamException {
            Object result = null;

            String path = XHTML_DTD_PATH + DTDS.get(publicID);

            if (StringUtils.isNotBlank(path)) {
                result = getClass().getClassLoader().getResourceAsStream(path);
            }
            return result;
        }
    }

我从 (w3c web site) 检索到 dtd。但我必须更改此文件以删除节点中的所有 cmets，如下所示：

 <!ENTITY % ContentType "CDATA"
    -- media type, as per [RFC2045]
    --> 

 <!ENTITY % ContentType "CDATA">

但即使经过这些修改，我仍然有这个错误：

javax.xml.stream.XMLStreamException: ParseError at [row,col]:[184,11]
Message: The element type is required in the element type declaration.
    [...]
Caused by: javax.xml.stream.XMLStreamException: ParseError at [row,col]:[184,11]
Message: The element type is required in the element type declaration.
    at com.sun.org.apache.xerces.internal.impl.XMLStreamReaderImpl.next(XMLStreamReaderImpl.java:598)
    at com.sun.xml.internal.stream.XMLEventReaderImpl.nextEvent(XMLEventReaderImpl.java:83)

在dtd文件中，第184行是：

<!ELEMENT (%fontstyle;|%phrase;) - - (%inline;)* >

有什么想法吗？

谢谢

【问题讨论】：

标签： java dtd stax html4

【解决方案1】：

HTML 是一种 SGML 语言，因此它具有 SGML DTD。您可以在此处找到有关 SGML 的更多信息：http://validator.w3.org/docs/sgml.html

SGML 与 XML 有点不同，难怪 XML 解析器无法解析它。

主要例子是：

实体声明中的cmets（用双连字符分隔：--这是一个注释--）在SGML DTD中是允许的，而在XML DTD中是不允许的。

更多区别请关注http://www.w3.org/TR/NOTE-sgml-xml-971215#null

尽管如此，您不能通过创建自己的 XMLResolver 来禁用特定 DTD 的 DTD 解析

xmlInput = XMLInputFactory.newInstance();
xmlInput.setXMLResolver(new XMLResolver() {
    @Override
    public Object resolveEntity(String publicID, String systemID, String baseURI, String namespace) throws XMLStreamException {
        ...
        // Disable dtd validation
        if ("The public id you except".equals(publicId)) {
            return IOUtils.toInputStream("");
        }
        ...
    }
});

对于 html 解析器，请考虑 http://jtidy.sourceforge.net/ 或 http://jsoup.org/ 作为解决方案

【讨论】：