如何解析具有多个字符实体的 XML？

Question

我有一个 XML 文件，说明它使用的是 utf-8。 当我在 VIM 中打开文件时，我看到类似

<?xml version="1.0" encoding="UTF-8"?> 
<r>
  <first-tag>foo</first-tag>
  <second-tag>
     &lt;a-tag-nested-in-second-tag&gt;some data&lt;/a-tag-nested-in-second-tag&gt;
  </second-tag>
  ...
</r>

我正在使用 Java 1.6.0_41 的 SAXParser，在使用这些数据时，解析器基本上看不到格式错误的文字并跳过它们，或者似乎将格式错误的字符视为 second-tag 的“内容”数据。

这是我使用数据的方式，

File f = ...
SAXParser parser = SAXParserFactory.newInstance().newSAXParser();
stream = new FileInputStream(f);
AbstractHandler handler = ...
parser.parse(new InputSource(stream), handler);

SAX 有没有办法将嵌套的转义 XML 数据视为真正的 XML 标记，而不仅仅是 second-tag 的原样数据？

Answer 1

UTF-8 是一个character encoding。在单个文件中包含多个字符编码是没有意义的，您也没有显示具有多个字符编码的任何证据。

您所显示的是多个字符实体引用，例如< 和>。这些不是问题，尽管它们可能表明（有意或无意的）转义 XML 标记的输出。

是的问题是您的“XML”缺少单个根元素，因此不是well-formed。

如果你给你的标记一个单一的根元素，

<?xml version="1.0" encoding="UTF-8"?>
<r>
  <first-tag>foo</first-tag>
  <second-tag>
    &lt;a-tag-nested-in-second-tag&gt;some data&lt;/a-tag-nested-in-second-tag&gt;
  </second-tag>
</r>

一个 XML 解析器将能够很好地解析它。

---

按 cmets 更新和更新问题

SAX 有没有办法将嵌套的转义 xml 数据视为真正的 xml 标记，而不仅仅是“第二个标签”的数据？

不，没有一个简单的配置标志可以指示 SAX 将转义的 XML 视为常规 XML。 SAX 将正确地将转义的 XML 数据视为字符和字符实体引用。您的选择包括通过

解决上游问题

1. 消除要保留的 XML 的转义，或
2. 对转义的 XML 数据进行后处理以重新建立原始数据 XML。

请注意，选项 #2 本身可能涉及基于 SAX 的解析器，您设计了它的实体处理程序来重建原始 XML。

另见how to unescape XML in java。