使用JAXB用html實體解組xml

Question

我需要將Wikipedia修訂歷史記錄加載到POJO中，因此我正在使用JAXB解組Wikipeida數據轉儲（很好，它的各個頁面）。 問題在於文本節點有時包含在Wikipedia xml轉儲中未定義的實體。 例如：°（`＆deg;'請記住，我不知道我需要能夠讀取的完整實體集。我的輸入文件為3tb，所以我們假設html可以呈現的所有內容都在其中。）。

如何配置JAXB來處理無效xml的實體？

這是JAXB遇到未定義實體時拋出的SAX異常：

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)

編輯：觸發該異常的輸入是Arctic Circle上Wikipedia文章的完整修訂歷史。 用於生成JAXB類的XSD在這里： http : //www.mediawiki.org/xml/export-0.3.xsd

編輯：這個問題的根源是我的一個錯誤-我使用的初始提取器無法正確維護編碼的實體。 但是，如果有人遇到我認為的問題，我確實找到了解決方法。 見下文。

Answer 1

解決實體不是JAXB的工作。 這是基礎XML解析器的工作。

您可以做的是：

使用DOM自己讀取數據
用您希望的東西替換所有未解決的實體
然后，讓JAXB處理結果

Answer 2

這是一個hack，但是在一定程度上起作用。

我從w3.org下載了html實體定義，並將輸入xml文件的doctype設置為xhtml-transitional，但將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則需要：

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

我吸了下來，放在旁邊xhtml1-transitional.dtd

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

就像我說的那樣，丑陋如地獄，但它確實做到了。

使用JAXB用html實體解組xml

問題描述

2 個解決方案

解決方案1
1 2009-06-22 23:09:57

解決方案2
0 已采納 2009-06-23 16:14:28

使用JAXB用html實體解組xml

問題描述

2 個解決方案

解決方案1 1 2009-06-22 23:09:57

解決方案2 0 已采納 2009-06-23 16:14:28

解決方案1
1 2009-06-22 23:09:57

解決方案2
0 已采納 2009-06-23 16:14:28