在 Java 中解析 XML

Question

我得到了这个格式不正确的 XML 文件，但无论如何我都需要解析它。我已经尝试了所有解析选项，比如 DOM / SAX 解析，但仍然无法实现，试过 this

那么任何人都可以指导我如何解析这种格式不正确的 xml 数据。

这是 XML 文件

<?xml version="1.0" ?>
<Employee>
<Name> Jack
<EMPID> EMP001 <Address> 12 CA, USA</Address> 
</EMPID>
</Name>
</Employee>

解析代码

DocumentBuilderFactory docBuilderFactory = DocumentBuilderFactory
                    .newInstance();
            DocumentBuilder docBuilder = docBuilderFactory.newDocumentBuilder();
            Document doc = docBuilder.parse(new File(
                    "new.xml"));

            // normalize text representation
            doc.getDocumentElement().normalize();
            System.out.println("Root element of the doc is "
                    + doc.getDocumentElement().getNodeName());

            NodeList listOfPersons = doc.getElementsByTagName("NAME");
            int totalPersons = listOfPersons.getLength();


            for (int s = 0; s < listOfPersons.getLength(); s++) {

                Node firstPersonNode = listOfPersons.item(s);
                if (firstPersonNode.getNodeType() == Node.ELEMENT_NODE) {

                    Element firstPersonElement = (Element) firstPersonNode;

                    // -------
                    NodeList firstNameList = firstPersonElement
                            .getElementsByTagName("Name");
                    Element firstNameElement = (Element) firstNameList.item(0);

                    NodeList textFNList = firstNameElement.getChildNodes();
                    System.out
                            .println("Name : "
                                    + ((Node) textFNList.item(0))
                                            .getNodeValue().trim());

                    // -------
                    NodeList lastNameList = firstPersonElement
                            .getElementsByTagName("EMPID");
                    Element lastNameElement = (Element) lastNameList.item(0);

                    NodeList textLNList = lastNameElement.getChildNodes();
                    System.out
                            .println("ID : "
                                    + ((Node) textLNList.item(0))
                                            .getNodeValue().trim());

                    // ----
                    NodeList ageList = firstPersonElement
                            .getElementsByTagName("Address");
                    Element ageElement = (Element) ageList.item(0);

                    NodeList textAgeList = ageElement.getChildNodes();
                    System.out.println("Address : "
                            + ((Node) textAgeList.item(0)).getNodeValue()
                                    .trim());



                }

            }

        } catch (SAXParseException err) {
            System.out.println("** Parsing error" + ", line "
                    + err.getLineNumber() + ", uri " + err.getSystemId());
            System.out.println(" " + err.getMessage());

        } catch (SAXException e) {
            Exception x = e.getException();
            ((x == null) ? e : x).printStackTrace();

        } catch (Throwable t) {
            t.printStackTrace();
        }

Answer 1

既然是 XML，本身损坏的 XML 解析就会失败。

假设 XML 文件尽管损坏，但始终具有该布局，您可以使用正则表达式来提取数据。

String str = "<?xml version=\"1.0\" ?>\n" +
                        "<Employee>\n" +
                        "<Name> Jack\n" +
                        "<EMPID> EMP001 <Address> 12 CA, USA</Address> \n" +
                        "</EMPID>\n" +
                        "</Name>\n" +
                        "</Employee>";
        str = str.replaceAll("\\n", "");
        Pattern p = Pattern.compile("<Name>(.+?)<EMPID>(.+?)<Address>(.+?)</Address>");
        Matcher m = p.matcher(str);
        while(m.find())
        {
            System.out.println("Name: " + m.group(1) + " EMPID: " + m.group(2) + " Address: " + m.group(3));
        }

产量：

姓名：Jack EMPID：EMP001 地址：12 CA, USA

这个模式有什么作用：

• <Name> 将匹配 Name 标记。
• (.+?) 将匹配 <Name> 标记之后的文本，但在找到 <EMPID> 时将停止匹配，因为它不是贪婪模式，因为在贪婪运算符 + 之后添加了 ?（这将是由模式的下一部分匹配。同样在此部分中，任何匹配的内容都将放在一个组中，以便以后访问。
• 提取名称后，引擎将尝试匹配<EMPID> 标记。
• <EMPID>标签匹配后，会进行类似于步骤2的过程，匹配的内容将被放置在另一个组中。
• 至于下一步，代码将寻找<Address>
• 最后，正则表达式将尝试提取位于 <Address> 和 </Address> 标记之间的任何字符，并且再次将匹配的任何字符放入一个组中。

一旦正则表达式解析字符串，我将访问组并打印它们的值。作为一个额外的步骤，我将删除所有换行符以将字符串作为单行处理。

正则表达式的入门教程可以在here找到。

Answer 2

格式不正确但格式正确http://en.wikipedia.org/wiki/Well-formed_document，你可以用任何解析器解析它。

Answer 3

在更正后尝试解析 XML。 格式良好的 XML 每个 XML 元素只有一个值，但可能有多个属性：

<employee attribute="attrvalue">value-string or xml-element, not both</employee>

因此，对您的 XML 外观的建议如下：

<?xml version="1.0" ?>
<Employee>
    <Name> Jack </Name>
    <EMPID> EMP001 </EMPID>
    <Address> 12 CA, USA</Address> 
</Employee>

编辑：但是，如果您从无法更改的源接收 XML，那么您基本上只剩下一个选择 - 在将 XML 转换为常规 java 字符串后手动解析 XML。

尝试使用不同的字符串方法，例如 substring、indexof 等。 示例：

String empidStartElement = "<empid>";
String nameStartElement = "<name>";
String nameEndElement = empidStartElement;

String xml = "<employee><name>Jack<empid>emp001</empid></name></employee>";

Integer nameStartPosition = xml.indexOf(nameStartElement)+nameStartElement.length;
Integer nameEndPosition = xml.indexOf(nameEndElement);

String name = xml.substring(nameStartPosition, nameEndPosition);

Answer 4

只需换行：

NodeList listOfPersons = getElementsByTagName("NAME");

到：

NodeList listOfPersons = doc.getChildNodes();

输出：

文档的根元素是 Employee

姓名：杰克

ID : EMP001

地址：美国加利福尼亚州 12 号