如何解析无效（错误/格式不正确）的XML？

根据设计，标准 XML 解析器永远不会接受无效的 XML。

唯一的选择是预处理输入以删除“可预见的无效”内容，或在解析之前将其包装在 CDATA 中。

“XML”比无效更糟糕——它的格式不正确;请参阅格式正确的 XML 与有效的 XML。

对违法行为的可预测性进行非正式评估无济于事。该文本数据不是 XML。没有符合要求的 XML 工具或库可以帮助您处理它。

选项，最理想的第一：

1. 让提供商自行解决问题。要求格式正确的 XML。（从技术上讲，短语“格式正确的 XML”是多余的，但可能有助于强调。

2. 在解析为 XML 之前，使用宽容标记解析器清理问题：

   • 独立：xmlstarlet 具有强大的恢复和修复能力 ^{_{图片来源：RomanPerekhrest}}

     xmlstarlet fo -o -R -H -D bad.xml 2>/dev/null
     

   • 独立和 C/C++：HTML Tidy 也适用于 XML。Taggle 是 TagSoup 到 C++ 的端口。

   • Python： Beautiful Soup 是基于 Python 的。请参阅分析器之间的差异部分中的注释。另请参阅此问题的答案以了解更多信息 在 Python 中处理格式不正确的标记的建议， 尤其包括 lxml 的 recover=True 选项。 另请参阅此答案，了解如何使用清理非法字符。codecs.EncodedFile()

   • Java：TagSoup 和 JSoup 专注于 HTML。FilterInputStream 可用于预处理清理。

   • 。网：

     • XmlReaderSettings.CheckCharacters 可以 被禁用以解决非法的 XML 字符问题。
     • @jdweng指出，可以将 XmlReaderSettings.ConformanceLevel 设置为 ConformanceLevel.Fragment，以便 XmlReader 可以读取缺少根元素的 XML 格式良好的分析实体。
     • @jdweng 还报告说 XmlReader.ReadToFollowing（） 有时可以 用于解决 XML 语法问题，但请注意 下面 #3 中的违规警告。
     • Microsoft.Language.Xml.XMLParser 被称为“容错”的。

   • 去：将 Decoder.Strict 设置为，如本示例中所示，由 @chuckx 设置。false

   • PHP的：请参阅 DOMDocument：：$recover 和 libxml_use_internal_errors（true）。在这里看到很好的例子。

   • 红宝石：Nokogiri 支持“温和的良好形状”。

   • R：请参阅 htmlTreeParse（） 了解 R 中的容错标记解析。

   • Perl：请参阅 XML：：Liberal，一个“解析损坏的 XML 的超级自由 XML 解析器”。

3. 使用文本编辑器手动将数据处理为文本，或者 以编程方式使用字符/字符串函数。这样做 编程范围可以从棘手到不可能，因为 似乎是什么 可预测往往不是——违反规则很少受到规则的约束。

   • 对于无效字符错误，请使用正则表达式删除/替换无效字符：

     • PHP的： preg_replace('/[^\x{0009}\x{000a}\x{000d}\x{0020}-\x{D7FF}\x{E000}-\x{FFFD}]+/u', ' ', $s);
     • 红宝石： string.tr("^\u{0009}\u{000a}\u{000d}\u{0020}-\u{D7FF}\u{E000‌​}-\u{FFFD}", ' ')
     • JavaScript的： inputStr.replace(/[^\x09\x0A\x0D\x20-\xFF\x85\xA0-\uD7FF\uE000-\uFDCF\uFDE0-\uFFFD]/gm, '')

   • 对于 & 符号，请使用正则表达式将匹配项替换为： ^{_{credit： blhsin， demo}}&

     &(?!(?:#\d+|#x[0-9a-f]+|\w+);)
     

请注意，上述正则表达式不会接受注释或 CDATA 部分考虑在内。

IMO 这些情况应该使用 JSoup 来解决。

下面是这个特定案例的不是真正的答案，但在网上找到了这个（感谢 Coderwall 上的 inuyasha82）。在处理格式错误的 XML 时，这个代码位确实启发了我另一个类似的问题，所以我在这里分享它。

请不要编辑下面的内容，因为它与原始网站上的内容相同。

XML 格式要求文档中声明的唯一根元素有效。
例如，一个有效的 xml 是：

<root>
     <element>...</element>
     <element>...</element>
</root>

但是，如果您有以下文档：

<element>...</element>
<element>...</element>
<element>...</element>
<element>...</element>

这将被视为格式错误的 XML，因此许多 xml 解析器只会抛出一个 Exception，抱怨没有根元素。等。

在此示例中，有一个关于如何解决该问题并成功解析上述格式错误的 xml 的解决方案。

基本上，我们要做的是以编程方式添加一个根元素。

因此，首先，您必须打开包含“格式错误”的 xml（即文件）的资源：

File file = new File(pathtofile);

然后打开一个 FileInputStream：

FileInputStream fis = new FileInputStream(file);

如果我们尝试使用任何 XML 库解析此流，我们将引发格式错误的文档 Exception。

现在，我们创建一个包含三个 lements 的 InputStream 对象列表：

1. 一个 ByteIputStream 元素，其中包含以下字符串：<root>
2. 我们的 FileInputStream
3. 带有以下字符串的 ByteInputStream：</root>

所以代码是：

List<InputStream> streams = 
    Arrays.asList(
        new ByteArrayInputStream("<root>".getBytes()),
    fis,
    new ByteArrayInputStream("</root>".getBytes()));

现在使用 SequenceInputStream，我们为上面创建的 List 创建一个容器：

InputStream cntr = 
new SequenceInputStream(Collections.enumeration(str));

现在我们可以在 cntr 上使用任何 XML 解析器库，并且它将毫无问题地被解析。（与 Stax 图书馆核对）;

接受的答案是很好的建议，并包含非常有用的链接。

我想补充一点，这个以及许多其他格式不正确和/或DTD无效的XML情况可以使用SGML（HTML和XML的ISO标准化超集）进行修复。在你的例子中，有效的方法是将虚假元素声明为SGML空元素，然后使用例如。程序（OpenSP/OpenJade SGML 包的一部分）将其转换为 XML。例如，如果您向THIS-IS-PART-OF-DESCRIPTIONosxosx

<!DOCTYPE xml [
  <!ELEMENT xml - - ANY>
  <!ELEMENT description - - ANY>
  <!ELEMENT THIS-IS-PART-OF-DESCRIPTION -  - EMPTY>
]>
<xml>
  <description>blah blah
    <THIS-IS-PART-OF-DESCRIPTION>
  </description>
</xml>

它将输出格式正确的 XML，以便使用您选择的 XML 工具进行进一步处理。

但是请注意，您的示例代码段存在另一个问题，即以字母或等开头的元素名称保留在 XML 中，并且不会被符合要求的 XML 解析器接受。xmlXMLXml