使用JAXB用html实体解组xml

Question

我需要将Wikipedia修订历史记录加载到POJO中，因此我正在使用JAXB解组Wikipeida数据转储（很好，它的各个页面）。 问题在于文本节点有时包含在Wikipedia xml转储中未定义的实体。 例如：°（`＆deg;'请记住，我不知道我需要能够读取的完整实体集。我的输入文件为3tb，所以我们假设html可以呈现的所有内容都在其中。）。

如何配置JAXB来处理无效xml的实体？

这是JAXB遇到未定义实体时抛出的SAX异常：

Exception in thread "main" javax.xml.bind.UnmarshalException

 - with linked exception:

[org.xml.sax.SAXParseException: The entity "deg" was referenced, but not declared.]

    at javax.xml.bind.helpers.AbstractUnmarshallerImpl.createUnmarshalException(AbstractUnmarshallerImpl.java:315)

    at com.sun.xml.internal.bind.v2.runtime.unmarshaller.UnmarshallerImpl.createUnmarshalException(UnmarshallerImpl.java:481)

    at com.sun.xml.internal.bind.v2.runtime.unmarshaller.UnmarshallerImpl.unmarshal0(UnmarshallerImpl.java:199)

    at com.sun.xml.internal.bind.v2.runtime.unmarshaller.UnmarshallerImpl.unmarshal(UnmarshallerImpl.java:168)

    at javax.xml.bind.helpers.AbstractUnmarshallerImpl.unmarshal(AbstractUnmarshallerImpl.java:137)

    at javax.xml.bind.helpers.AbstractUnmarshallerImpl.unmarshal(AbstractUnmarshallerImpl.java:184)

    at com.stottlerhenke.tools.wikiparse.WikipediaIO.readPage(WikipediaIO.java:73)

    at com.stottlerhenke.tools.wikiparse.WikipediaIO.main(WikipediaIO.java:53)

Caused by: org.xml.sax.SAXParseException: The entity "deg" was referenced, but not declared.

    at org.apache.xerces.util.ErrorHandlerWrapper.createSAXParseException(Unknown Source)

    at org.apache.xerces.util.ErrorHandlerWrapper.fatalError(Unknown Source)

    at org.apache.xerces.impl.XMLErrorReporter.reportError(Unknown Source)

    at org.apache.xerces.impl.XMLErrorReporter.reportError(Unknown Source)

    at org.apache.xerces.impl.XMLScanner.reportFatalError(Unknown Source)

    at org.apache.xerces.impl.XMLDocumentFragmentScannerImpl.scanEntityReference(Unknown Source)

    at org.apache.xerces.impl.XMLDocumentFragmentScannerImpl$FragmentContentDispatcher.dispatch(Unknown Source)

    at org.apache.xerces.impl.XMLDocumentFragmentScannerImpl.scanDocument(Unknown Source)

    at org.apache.xerces.parsers.XML11Configuration.parse(Unknown Source)

    at org.apache.xerces.parsers.XML11Configuration.parse(Unknown Source)

    at org.apache.xerces.parsers.XMLParser.parse(Unknown Source)

    at org.apache.xerces.parsers.AbstractSAXParser.parse(Unknown Source)

    at com.sun.xml.internal.bind.v2.runtime.unmarshaller.UnmarshallerImpl.unmarshal0(UnmarshallerImpl.java:195)

编辑：触发该异常的输入是Arctic Circle上Wikipedia文章的完整修订历史。 用于生成JAXB类的XSD在这里： http : //www.mediawiki.org/xml/export-0.3.xsd

编辑：这个问题的根源是我的一个错误-我使用的初始提取器无法正确维护编码的实体。 但是，如果有人遇到我认为的问题，我确实找到了解决方法。 见下文。

Answer 1

解决实体不是JAXB的工作。 这是基础XML解析器的工作。

您可以做的是：

使用DOM自己读取数据
用您希望的东西替换所有未解决的实体
然后，让JAXB处理结果

Answer 2

这是一个hack，但是在一定程度上起作用。

我从w3.org下载了html实体定义，并将输入xml文件的doctype设置为xhtml-transitional，但将doctype url定向到了本地dtd：

<!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Transitional//EN" "xhtml1-transitional.dtd">

xhtml1-transitional.dtd则需要：

xhtml-lat1.ent
xhtml-special.ent
xhtml-symbol.ent

我吸了下来，放在旁边xhtml1-transitional.dtd

（所有文件位于： http : //www.w3.org/TR/xhtml1/DTD/ ）

就像我说的那样，丑陋如地狱，但它确实做到了。

使用JAXB用html实体解组xml

问题描述

2 个解决方案

解决方案1
1 2009-06-22 23:09:57

解决方案2
0 已采纳 2009-06-23 16:14:28

使用JAXB用html实体解组xml

问题描述

2 个解决方案

解决方案1 1 2009-06-22 23:09:57

解决方案2 0 已采纳 2009-06-23 16:14:28

解决方案1
1 2009-06-22 23:09:57

解决方案2
0 已采纳 2009-06-23 16:14:28