使用Woodstox解析XML時，保持實體不變

Question

我正在使用Woodstox處理一個XML，其中包含一個節點的值中的某些實體（最值得注意的是> ）。 使用一個極端的例子，它是這樣的：

<parent>&nbsp; &lt; &nbsp; &gt; &amp; &quot; &apos; &nbsp;</parent>

我為WstxInputFactory （ IS_REPLACING_ENTITY_REFERENCES ， P_TREAT_CHAR_REFS_AS_ENTS ， P_CUSTOM_INTERNAL_ENTITIES ...）和WstxOutputFactory嘗試了很多不同的配置選項，但無論我嘗試什么，輸出總是這樣：

<parent>nbsp; &lt; nbsp; > &amp; " ' nbsp;</parent>

（ >轉換為> ， <保持不變，  失去& ...）

我正在使用創建的XMLEventReader讀取XML

XMLEventReader reader = wstxInputFactory.createXMLEventReader(new StringReader(fulltext));

配置WstxInputFactory后 。

是否有任何方法可以將Woodstox配置為忽略所有實體並輸出與輸入String中的文本完全相同的文本？

Answer 1

將始終處理基本的五個XML實體（quot，amp，apos，lt，gt）。 據我所知，沒有辦法用薩克斯獲得它們的來源。

對於其他實體，您可以手動處理它們。 您可以捕獲事件直到元素結束並連接值：

    XMLInputFactory factory = WstxInputFactory.newInstance();
    factory.setProperty(XMLInputFactory.IS_REPLACING_ENTITY_REFERENCES, Boolean.FALSE);
    XMLEventReader xmlr = factory.createXMLEventReader(
            this.getClass().getResourceAsStream(xmlFileName));

    String value = "";
    while (xmlr.hasNext()) {
        XMLEvent event = xmlr.nextEvent();
        if (event.isCharacters()) {
            value += event.asCharacters().getData();
        }
        if (event.isEntityReference()) {
            value += "&" + ((EntityReference) event).getName() + ";";
        }
        if (event.isEndElement()) {
            // Assign it to the right variable
            System.out.println(value);
            value = "";
        }
    }

對於您的示例輸入：

<parent>&nbsp; &lt; &nbsp; &gt; &amp; &quot; &apos; &nbsp;</parent>

輸出將是：

&nbsp; < &nbsp; > & " ' &nbsp;

否則，如果要轉換所有實體，可以使用自定義XmlResolver用於未聲明的實體：

public class NaiveHtmlEntityResolver implements XMLResolver {

    private static final Map<String, String> ENTITIES = new HashMap<>();

    static {
        ENTITIES.put("nbsp", " ");
        ENTITIES.put("apos", "'");
        ENTITIES.put("quot", "\"");
        // and so on
    }

    @Override
    public Object resolveEntity(String publicID,
            String systemID,
            String baseURI,
            String namespace) throws XMLStreamException {
        if (publicID == null && systemID == null) {
            return ENTITIES.get(namespace);
        }
        return null;
    }
}

然后告訴Woodstox將其用於未申報的實體：

    factory.setProperty(WstxInputProperties.P_UNDECLARED_ENTITY_RESOLVER, new NaiveHtmlEntityResolver());

Answer 2

首先，你需要包含實際代碼，因為“輸出總是這樣的東西”沒有任何意義，如果沒有准確解釋你如何輸出被解析的內容：你可能正在打印事件，使用某些庫，或者可能使用Woodstox流或事件作家。

第二：有之間少數預先定義的實體（在XML差別lt ， gt ， apos ， quot ， amp ），和arbitary用戶定義實體像什么nbsp這里會。 以前你可以按原樣使用，它們已經定義; 后者僅在您在DTD中定義它們時才存在。

兩組的處理也不同; 無論如何都會擴展前者，這是XML規范。 后者將被解析（除非禁用解析），然后擴展 - 或者如果沒有定義，將拋出異常。 您也可以通過其他答案指定自定義解析器; 但這只會用於自定義實體（此處為  ）。

最后，不要解釋你正在做的事情和你想要實現的目標一樣好。 這將有助於提出比“我如何做X”的具體問題更好的建議，這可能不是可行的方法。

至於Woodstox的配置，可能是這篇博文：

https://medium.com/@cowtowncoder/configuring-woodstox-xml-parser-woodstox-specific-properties-1ce5030a5173

將有所幫助（以及該系列中的其他2個） - 它涵蓋了現有的配置設置。