如何告诉 Java SAX Parser 忽略无效字符引用？答案

【问题标题】：How to tell Java SAX Parser to ignore invalid character references?如何告诉 Java SAX Parser 忽略无效字符引用？
【发布时间】：2011-03-01 03:33:28
【问题描述】：

当尝试使用 &#x1 等字符引用解析不正确的 XML 时，Java 的 SAX 解析器会因致命错误而死去，例如

    org.xml.sax.SAXParseException: Character reference "&#x1"
                                   is an invalid XML character.

有没有办法解决这个问题？在将 XML 文件交给 SAX 解析器之前，我是否必须清理它？如果是这样，有没有一种优雅的方式来解决这个问题？

【问题讨论】：

标签： java xml error-handling sax

【解决方案1】：

这是无效的 XML，因此任何解析器都不应正确解析它。

但您确实会在现实世界中遇到这种手工制作的无效 XML。我的解决方案是手动将CDATA 标记插入数据。例如，

  <data><![CDATA[ garbage with &invalid characters ]]></data>

当然，你会按原样取回数据，你必须自己处理无效字符。

【讨论】：

不。无效字符在 CDATA 部分内仍然无效。
请在投反对票之前检查事实。 CDATA 中的字符引用被视为常规字符串。即使 "" 表示无效引用，但它由所有有效字符组成。我一直用几个解析器来做这件事，所以我知道我是对的。

【解决方案2】：

使用 XML 1.1！ skaffman 是完全正确的，但是您可以将<?xml version="1.1"?> 粘贴在文件顶部，您的状态会很好。如果您正在处理流，请编写一个包装器来重写或添加该处理指令。

【讨论】：

哇，它有效。使用 xml 1.1 是否有缺点或兼容性问题？
查看w3.org/TR/xml11/#sec-xml11 的“XML 1.1 的基本原理和更改列表”如果我没记错的话，任何有效的 xml 1.0 文档在 xml 1.1 中都是有效的
因为这对人们来说很方便，添加这个标题的一个很好的快捷方式是：docs.oracle.com/javase/1.4.2/docs/api/java/io/…

【解决方案3】：

恐怕您将不得不清理您的 XML。根据 XML 规范，这样的字符是无效的，否则再多的说服也无法说服解析器。

Valid XML characters 用于 XML 1.0：

U+0009
U+000A
U+000D
U+0020 – U+D7FF
U+E000 – U+FFFD
U+10000 – U+10FFFF

为了清理，您必须将数据传递给更底层的处理器，该处理器将其视为 unicode 字符流，删除那些无效的字符。

【讨论】：

唯一的问题是我必须自己对角色实体进行解码......真可惜。