\b 在 Facebook 消息和 XML 序列化中

Question

我正在编写一个爬虫，它检索一些 Facebook 帖子并将它们序列化为 XML。

我的问题如下：我发现一些带有一些特殊字符（例如\b）的消息，当我将其写入我的XML时被序列化为

如果我尝试使用 Java DOM 解析器（使用 ）打开这个 XML，我会收到一个错误，因为它无法解析这个字符。

我该如何解决？

数据示例：http://pastebin.com/3xEK5QbV

当我加载生成的 XML 时解析器给出的错误是：

[致命错误] out.xml:7:59: La referencia de caracteres " org.xml.sax.SAXParseException；系统标识： 文件：/Z:/Programas/Workspace%20Eclipse/workspace/Test/out.xml； 行号：7；列号：59； La referencia de caracteres " at com.sun.org.apache.xerces.internal.parsers.DOMParser.parse（未知 来源）在 com.sun.org.apache.xerces.internal.jaxp.DocumentBuilderImpl.parse（未知 来源）在 javax.xml.parsers.DocumentBuilder.parse（未知来源） 在 Test.loadBadXML(Test.java:43) 在 Test.(Test.java:32) 在 Test.main(Test.java:139)

关于源代码我有三个相关的源代码：

第一个：从 facebook 的 JSON 中获取“格式错误（带有 \b）”的数据：

// post is the object which contains the "post"
// URL_BASE_GRAPH, and TOKEN are constants which contains Strings necessary to create the URL for Facebook graph API
// idPost is the ID of the post that I'm retrieving

String urlStr = URL_BASE_GRAPH + idPost + "?access_token=" + TOKEN;
URL url = new URL(urlStr);
ObjectMapper om = new ObjectMapper();
JsonNode root = om.readValue(url.openStream(), JsonNode.class);
...    
JsonNode message = root.get("message");
if (message != null) {
        post.setMessage(message.asText());
}

第二个：把这个数据写成XML：

// outFile is the file to be written
                File file = new File(outFile);
                DocumentBuilderFactory docFactory = DocumentBuilderFactory
                                .newInstance();
                DocumentBuilder docBuilder = docFactory.newDocumentBuilder();

                // root elements
                Document doc = docBuilder.newDocument();
                Element rootElement = doc.createElement("groups");
                doc.appendChild(rootElement);

                ....

                if (post.getMessage() != null) {
                        Element messagePost = doc.createElement("post_message");
                        // I've tried also this: messagePost.appendChild(doc.createTextNode(StringEscapeUtils.escapeXml(post.getMessage())));
                        messagePost.appendChild(doc.createTextNode(post.getMessage()));
                        postEl.appendChild(messagePost);
                }

                ....

                TransformerFactory transformerFactory = TransformerFactory.newInstance();
                Transformer transformer = transformerFactory.newTransformer();
                transformer.setOutputProperty(OutputKeys.INDENT, "yes");
                transformer.setOutputProperty("{http://xml.apache.org/xslt}indent-amount", "2");
                DOMSource source = new DOMSource(doc);
                StreamResult result = new StreamResult(file);
                transformer.transform(source, result);

第三个：从 XML 中再次加载 XML（格式错误为 ）：

 File fXmlFile = new File(f);
                DocumentBuilderFactory dbFactory = DocumentBuilderFactory.newInstance();
                DocumentBuilder dBuilder = dbFactory.newDocumentBuilder();
                Document doc = dBuilder.parse(fXmlFile);
                doc.getDocumentElement().normalize();
                ....
                Node pstNode = postNode.item(j);
                if (pstNode.getNodeType() == Node.ELEMENT_NODE) {
                        Element pstElement = (Element) pstNode;
                        String pstMessage = null;
                        if (pstElement.getElementsByTagName("post_message").item(0) != null)
                                pstMessage = pstElement.getElementsByTagName("post_message").item(0).getTextContent();

有什么想法吗？

谢谢！

Answer 1

抓取 Facebook 违反了它的自动数据收集条款。除此之外，还有一个 API。

Answer 2

我找到的唯一答案是使用正则表达式删除无效的 xml 1.0 字符。

我附上链接：

removing invalid XML characters from a string in java