是否通過XPath Evaluation評估格式不正確的XML？

Question

我需要通過XPath評估程序傳遞一些格式不嚴格的XML。 XML實際上主要是html，它可能如下所示：

<p>
  <a href="http://www.something.com/5993810749/" title="IMG_3013”>
    <img src="5993810749_107ea7d465_m.jpg" width="240" height="160" alt="IMG_3013”/>
  </a>
</p>
<p>
  <a href="http://www.something.com/836492365986/" title="IMG_3018”>
    <img src=“8364923659_107ea3286465_m.jpg" width=“365" height=“248" alt="IMG_3018”/>
  </a>
</p>

因此，值得注意的問題是：它沒有根元素； <img>也不會終止。 用根元素包裝起來很容易，但是當我通過XPath評估器時，卻遇到了類似以下的異常：

[Fatal Error] :7:196: The element type "img" must be terminated by the matching end-tag "</img>".

順便說一句，Java中的XPath Evaluator的代碼如下：

XPath xPath = XPathFactory.newInstance().newXPath();
Object result = xPath.evaluate(xpath,
    new InputSource(new StringReader(xmlString)), XPathConstants.NODESET);

因此，我想知道，什么是處理此問題的最佳方法，以便我可以成功評估XML？ 看來我至少有兩個選擇：（a）嘗試使XPath評估器更加智能； 或（b）嘗試采用一種方法來自動修復格式不正確的XML。 一個解決這個問題的辦法將不勝感激！

Answer 1

您可以使用HTML解析器（例如NekoHTML）解析HTML，然后在生成的DOM樹上運行XPath查詢

import org.cyberneko.html.parsers.DOMParser;
import org.w3c.dom.Document;
import org.w3c.dom.Node;

DOMParser parser = new DOMParser();
parser.parse(new InputSource(new StringReader(xmlString)));
XPath xPath = XPathFactory.newInstance().newXPath();
Object result = xPath.evaluate(xpath, parser.getDocument(),
      XPathConstants.NODESET);

請注意，默認情況下，NekoHTML會生成特定的HTML DOM節點，並且這些節點將以大寫形式報告其節點名稱，而與原始輸入標簽的大小寫無關。 因此，如果您想要一個將提取所有<p>元素的XPath，則需要//P而不是//p 。

Answer 2

有幾種實用程序可以將HTML或通常帶有尖括號的任何內容轉換為格式正確的XML（它可能是也可能不是您期望的XML，但是格式正確）。 JTidy和TagSoup通常在此角色中使用。 您不必具體化XML，可以將其直接注入到處理管道的下一步，例如XSLT轉換或模式驗證。