如何在 Java 中解析格式错误的 XML？

Question

我有需要解析但无法控制创建的 XML。不幸的是，它不是非常严格的 XML，并且包含以下内容：

<mytag>This won't parse & contains an ampersand.</mytag>

javax.xml.stream 类根本不喜欢这样，正确地错误：

javax.xml.stream.XMLStreamException: ParseError at [row,col]:[149,50]
Message: The entity name must immediately follow the '&' in the entity reference.

我该如何解决这个问题？我无法更改 XML，所以我想我需要一个容错解析器。

我的偏好是不需要过多中断现有解析器代码的修复。

Answer 1

使用 tidy 或 tagsoup 等库。

TagSoup, a SAX-compliant parser written in Java that, instead of parsing well-formed or valid XML, parses HTML as it is found in the wild: poor, nasty and brutish, though quite often far from short.

Answer 2

如果它不是有效的 XML（如上），则没有 XML 解析器会处理它（正如您所确定的）。如果您知道错误的范围（例如上述实体问题），那么最简单的解决方案可能是对其运行更正过程（修复实体，例如插入实体），然后将其提供给现有的解析器。

否则，您必须自己编写一个内置支持此类异常的代码。而且我无法相信这只是一项乏味且容易出错的任务。

Answer 3

我相信 JSoup 可以处理格式不正确的 XML