使用Stax進行DTD解析

Question

我想解析聲明HTML 4.01 Doctype的xml文件。

<!DOCTYPE HTML PUBLIC "-//W3C//DTD HTML 4.01//EN" "http://www.w3.org/TR/html4/strict.dtd">
<html>
[...]
</html>

我使用Stax和XMLResolver加載本地dtd

XMLInputFactory xmlInputFactory = XMLInputFactory.newInstance();
xmlInputFactory.setXMLResolver(new LocalXmlResolver());
xmlOutputFactory = XMLOutputFactory.newInstance();
xmlOutputFactory.createXMLEventWriter(...)


private static final Map<String, String> DTDS = new HashMap<String, String>(){{
    // XHTML 1.0 DTDs
    put("-//W3C//DTD XHTML 1.0 Strict//EN", "xhtml1-strict.dtd");
    put("-//W3C//DTD XHTML 1.0 Transitional//EN", "xhtml1-transitional.dtd");
    put("-//W3C//DTD XHTML 1.0 Frameset//EN", "xhtml1-frameset.dtd");

    put("-//W3C//DTD HTML 4.01//EN", "strict.dtd");
    put("-//W3C//DTD HTML 4.01 Transitional//EN", "loose.dtd");
    put("-//W3C//DTD HTML 4.01 Frameset//EN", "frameset.dtd");
}};

private static final class LocalXmlResolver implements XMLResolver {

        @Override
        public Object resolveEntity(String publicID, String systemID, String baseURI, String namespace) throws XMLStreamException {
            Object result = null;

            String path = XHTML_DTD_PATH + DTDS.get(publicID);

            if (StringUtils.isNotBlank(path)) {
                result = getClass().getClassLoader().getResourceAsStream(path);
            }
            return result;
        }
    }

我從（ w3c網站）檢索了dtd。 但是我不得不更改此文件以刪除節點中的所有注釋，如下所示：

 <!ENTITY % ContentType "CDATA"
    -- media type, as per [RFC2045]
    --> 

 <!ENTITY % ContentType "CDATA">

但是即使進行了這些修改，我仍然會遇到此錯誤：

javax.xml.stream.XMLStreamException: ParseError at [row,col]:[184,11]
Message: The element type is required in the element type declaration.
    [...]
Caused by: javax.xml.stream.XMLStreamException: ParseError at [row,col]:[184,11]
Message: The element type is required in the element type declaration.
    at com.sun.org.apache.xerces.internal.impl.XMLStreamReaderImpl.next(XMLStreamReaderImpl.java:598)
    at com.sun.xml.internal.stream.XMLEventReaderImpl.nextEvent(XMLEventReaderImpl.java:83)

在dtd文件中，第184行為：

<!ELEMENT (%fontstyle;|%phrase;) - - (%inline;)* >

任何想法？

謝謝

Answer 1

HTML是一種SGML語言，因此具有SGML DTD。 您可以在此處找到有關SGML的更多信息： http : //validator.w3.org/docs/sgml.html

SGML與XML有所不同，因此，難怪XML解析器無法解析它。

主要示例是：

SGML DTD中允許實體聲明內的注釋（以雙連字符分隔：-這是一個注釋-），而XML DTD則不允許。

有關更多差異，請遵循http://www.w3.org/TR/NOTE-sgml-xml-971215#null

但是，您無法通過創建自己的XMLResolver來禁用特定DTD的DTD解析

xmlInput = XMLInputFactory.newInstance();
xmlInput.setXMLResolver(new XMLResolver() {
    @Override
    public Object resolveEntity(String publicID, String systemID, String baseURI, String namespace) throws XMLStreamException {
        ...
        // Disable dtd validation
        if ("The public id you except".equals(publicId)) {
            return IOUtils.toInputStream("");
        }
        ...
    }
});

對於html解析器，請考慮使用http://jtidy.sourceforge.net/或http://jsoup.org/作為解決方案

使用Stax進行DTD解析

問題描述

1 個解決方案

解決方案1
2 已采納 2013-10-07 15:23:54

使用Stax進行DTD解析

問題描述

1 個解決方案

解決方案1 2 已采納 2013-10-07 15:23:54

解決方案1
2 已采納 2013-10-07 15:23:54