解析没有文档开始和结束标签的 XML

Question

我正在解析一个无法使用 SAX 解析器从 Internet 更改的文档。当文档格式如下时，它工作得很好：

<outtertag>
  <innertag>data</innertag>
  <innerag>moreData</innertag>
</outtertag>

但是，在某些调用中，我会在没有外部标签的情况下格式化 XML，所以我基本上只得到一个数据列表，如下所示：

  <innertag>data</innertag>
  <innerag>moreData</innertag>

这对我来说似乎很愚蠢，但我无法选择 XML 的格式，而且目前无法更改。问题在于，SAX 解析器似乎在遇到第一个关闭内部标签时就命中了 endDocument 事件。

我有一个相当老套的解决方案，将 InputStream 转换为 String，在其周围添加标签，然后将其转换回 InputStream。它实际上以这种方式解析得很好。但是，肯定有更好的方法。我也不想写一个完整的解析器。除了缺少开始和结束标签之外，大多数标签都是相同的。

顺便说一句，我将发布代码，但它是非常标准的 SAX 解析器。原文其实是解析了30个左右的一些标签：

        SAXParserFactory factory = SAXParserFactory.newInstance();
        SAXParser saxParser = factory.newSAXParser();
        XMLReader xmlReader = saxParser.getXMLReader();

        MyHandler handler = new MyHandler();
        xmlReader.setContentHandler(handler);

        InputSource inputSource = new InputSource(url.openStream());
        xmlReader.parse(inputSource);
    }

    catch (SAXException e) { e.printStackTrace(); } 
    catch (ParserConfigurationException e) { e.printStackTrace(); }
    catch(Exception e) { e.printStackTrace(); }
}

private class MyHandler extends DefaultHandler {
    private StringBuilder content;

    public MyHandler() {
        content = new StringBuilder();
    }
    public void startElement(String uri, String localName, String qName, 
            Attributes atts) throws SAXException {
        content = new StringBuilder();
        if(localName.equalsIgnoreCase("innertag")) {
            //Doing stuff
        }

    }
    public void endElement(String uri, String localName, String qName) 
            throws SAXException {

        //Doing stuff
    }
    public void characters(char[] ch, int start, int length) 
            throws SAXException {
        content.append(ch, start, length);
    }
    public void endDocument() throws SAXException {
               //When parsing the second type of document, hits this event almost immediately after parsing first tag



    }
}

而且，如果重要的话，这是我正在使用的 hacky 代码，但感觉不对，但它确实有效：

BufferedReader reader = new BufferedReader(new InputStreamReader(url.openStream()));
        StringBuilder sb = new StringBuilder("<tag>");
        String line = null;

        while ((line = reader.readLine()) != null) {
            sb.append(line);
        }           
        sb.append("</tag>");
        String xml =sb.toString();

        InputStream is = new ByteArrayInputStream(xml.getBytes());
        InputSource source = new InputSource(is);
        xmlReader.parse(source);

Answer 1

我想说的是，你现在所做的事情已经达到了最好的水平。需要考虑改进的一件事是流 -> 字符串 -> 流转换，尤其是在文档很大的情况下。您可以使用像 Guava 的 ByteStreams.join() 这样的东西，它可以让您将流连接在一起而不是字符串。类似于以下内容：

import com.google.common.io.*;
import java.io.*;

public class ConcatenateStreams {
    public static void main(String[] args) throws Exception {
        InputStream malformedXmlContent = externalXmlStream();
        InputSupplier<InputStream> joined = ByteStreams.join(
                inputSupplier("<root>"),
                inputSupplier(malformedXmlContent),
                inputSupplier("</root>"));
        ByteStreams.copy(joined, System.out);
    }

    private static InputStream externalXmlStream() {
        return new ByteArrayInputStream("<foo>5</foo><bar>10</bar>".getBytes());
    }

    private static InputSupplier<InputStream> inputSupplier(final String text) {
        return inputSupplier(new ByteArrayInputStream(text.getBytes()));
    }

    private static InputSupplier<InputStream> inputSupplier(final InputStream inputStream) {
        return new InputSupplier<InputStream>() {
            @Override
            public InputStream getInput() throws IOException {
                return inputStream;
            }
        };
    }
}

哪个输出：

<root><foo>5</foo><bar>10</bar></root>

Answer 2

您拥有的 XML 不是格式良好的文档，但它是格式良好的外部解析实体，这意味着可以通过实体引用从格式良好的文档中引用它。所以创建一个这样的骨架文档：

<!DOCTYPE doc [
<!ENTITY e SYSTEM "data.xml">
]>
<doc>&e;</doc>

其中 data.xml 是您的 XML，并将此文档传递给 XML 解析器以代替原始文档。胜过编写数十行 Java 代码。