當 HTML 文件包含 mdash 時，如何使用 Xerces 避免 SAXParseException？

Question

我正在使用 JDK6 中的 Xerces 實現對 HTML 4.0 過渡文檔執行 XPath 查詢。 使用以下代碼：

XPath newXPath = XPathFactory.newInstance().newXPath();
XPathExpression xpathExpr = newXPath.compile(expression);
Object xPathResult = xpathExpr.evaluate(inputSource, XPathConstants.NODESET);

inputSource是從FileInputStream構建的，我收到異常：

Caused by: org.xml.sax.SAXParseException: The entity "mdash" was referenced, but not declared.  
 at com.sun.org.apache.xerces.internal.parsers.DOMParser.parse(DOMParser.java:239) 
 at com.sun.org.apache.xerces.internal.jaxp.DocumentBuilderImpl.parse(DocumentBuilderImpl.java:283)
 at com.sun.org.apache.xpath.internal.jaxp.XPathExpressionImpl.evaluate(XPathExpressionImpl.java:291)

此消息也打印到標准輸出：

[Fatal Error] :20:43: The entity "mdash" was referenced, but not declared.

我怎樣才能避免這個異常？

HTML 文件是從 XML 的 XSLT 轉換創建的。 我認為我不一定需要它是一個— ，我不確定。 HTML 將顯示在 Java Swing 應用程序中。

我很難判斷我的具體實現中有哪些信息與這個問題相關。 如果需要更多信息，請通過評論告訴我。

---

因此，我錯誤地認為 HTML 是 XML（根本沒有真正考慮過這一點的結果）。

那么，給定一個 HTML 文件，我該如何解決這個問題？

• 為解析器提供 HTML 4 的 DTD？
• 替換— 與等價物。 HTML 是從 XSLT 轉換創建的，是否可以將樣式表設置為用等效的數字符號替換 mdash？
• 是否有任何庫可以在將 HTML 提供給解析器之前修復它？ 我注意到 JTidy 被提及用於類似目的。

Answer 1

問題是，如果提交給 Xerces 的文檔沒有帶有 mdash 聲明的 DTD，那么它就不是格式良好的 XML 文檔——必須聲明所有實體。 HTML 有一組 HTML 處理器需要知道的“內置”實體，這些實體應該在 DTD 中。

沒有 DTD 的最簡單的解決方法是將 mdash 替換為其等效的數字（ —或— ）

Answer 2

文件頭中的正確 DTD 應包含所有必要的實體聲明，如果您的文件格式正確，則解析器將遵守此信息。

如果有可能 HTML 格式不正確，我建議使用 TagSoup 庫來解決這個問題。 它讀取輸入並嘗試生成有效的 XHTML 作為輸出，從不報告任何解析錯誤，只是嘗試使用內置啟發式方法修復它們。 我能夠成功處理來自網絡的非常損壞的 HTML 並對其執行 XPath 查詢（似乎這就是您所需要的）。

Answer 3

我想我找到了針對我的具體情況的問題。 HTML 文件是使用 XSLT 從 XML 文件生成的。 通過改變線路：

<xsl:output method="html" />  

到：

<xsl:output method="xml" />

轉換並沒有創建— 實體。 然后可以使用 Xerces 解析輸出文件。

我不確定這是否“正確”，但它似乎可以在 Swing 中顯示。

Answer 4

鑒於 HTML 不是 XML，我認為您在嘗試使用 XML 解析器解析 HTML Transitional 時可能會發現很多問題。 但如果您的 HTML 實際上是格式良好的 XML，則 mdash 和其他實體通常在 DTD 中定義。 確保您的解析器具有文檔的 DTD，它應該沒問題。

Answer 5

面對這種問題，我通過JTidy運行 (X)HTML。 JTidy 將接受一個與 HTML 或 XML 類似的輸入，並在給定適當的選項的情況下將其轉換為適合所有常用 XML 工具處理的格式良好的 XML。

這為我省去了處理所有可能出現的特殊情況和極端情況的麻煩。 弄清楚如何連接輸入和輸出以及使用哪些選項需要一次性的努力； 之后，It Just Works™。

這不是您使用mdash特定問題的解決方案 - 但我懷疑這無論如何都不是您的最后一個問題。

Answer 6

您可以啟用功能“ http://apache.org/xml/features/continue-after-fatal-error ”在未知實體的情況下不拋出異常。 但這仍然會發出警告：

documentBuilderFactory.setFeature("http://apache.org/xml/features/continue-after-fatal-error", true);

瞧！