Jsoup 解析抛出 ArrayIndexOutOfBoundsException

Question

我想解析一个 html 字符串。它抛出异常如下。 内容长度大于65536，是什么问题？谢谢！

Exception in thread "main" java.lang.ArrayIndexOutOfBoundsException: 66467
    at org.jsoup.parser.CharacterReader.nextIndexOf(CharacterReader.java:92)
    at org.jsoup.parser.CharacterReader.containsIgnoreCase(CharacterReader.java:277)
    at org.jsoup.parser.TokeniserState$11.read(TokeniserState.java:219)
    at org.jsoup.parser.Tokeniser.read(Tokeniser.java:42)
    at org.jsoup.parser.TreeBuilder.runParser(TreeBuilder.java:47)
    at org.jsoup.parser.TreeBuilder.parse(TreeBuilder.java:41)
    at org.jsoup.parser.HtmlTreeBuilder.parse(HtmlTreeBuilder.java:37)
    at org.jsoup.parser.Parser.parse(Parser.java:90)
    at org.jsoup.Jsoup.parse(Jsoup.java:58)
    at myproject.MyIndexer.getTitle(MyIndexer.java:137)
    at myproject.MyIndexer.indexDocs(MyIndexer.java:115)
    at myproject.MyIndexer.main(MyIndexer.java:80)

Answer 1

这不应该是原因。 nextIndexOf() 仅使用整数：

int nextIndexOf(CharSequence seq) {
    // doesn't handle scanning for surrogates
    char startChar = seq.charAt(0);
    for (int offset = pos; offset < length; offset++) {
        // scan to first instance of startchar:
        if (startChar != input[offset])
            while(++offset < length && startChar != input[offset]);
        if (offset < length) {
            int i = offset + 1;
            int last = i + seq.length()-1;
            for (int j = 1; i < last && seq.charAt(j) == input[i]; i++, j++);     /* Line 92 */
            if (i == last) // found full sequence
                return offset - pos;
        }
    }
    return -1;
}

（我已经在第 92 行标记了引发异常的位置）

现在，Java 中的int 具有 –2.147.483.648 到 2.147.483.647 的范围。 65536 仅在您使用 unsigned short 时才相关（在 java 中不可用）。

请检查...

• 如果您的输入是有效的 html
• 如果即使使用较短的 html 也会引发此异常
• 如果您的代码会影响解析
• 如果您的 html 中有任何非 unicode 字符 - 与 int 相反 - char 类型只有 16 位（这意味着：上限是 65535！）

您还可以在调试中运行您的程序，并在抛出异常后检查变量。尤其是seq.charAt(j) 和input[i] 的值可能会很有趣。