java - Javaで不正に形成されたXMLを解析する方法は？

Question

解析する必要のあるXMLがありますが、作成を制御できません。残念ながら、これはそれほど厳密なXMLではなく、次のようなものが含まれています。

<mytag>This won't parse & contains an ampersand.</mytag>

javax.xml.streamクラスはこれをまったく好まないため、次のエラーが発生します。

javax.xml.stream.XMLStreamException: ParseError at [row,col]:[149,50]
Message: The entity name must immediately follow the '&' in the entity reference.

どうすればこれを回避できますか？XMLを変更できないので、エラー耐性のあるパーサーが必要だと思います。

私の好みは、既存のパーサーコードをあまり中断する必要のない修正です。

Answer 1

tidyまたはなどのライブラリを使用しますtagsoup。

TagSoupは、Javaで記述されたSAX準拠のパーサーであり、整形式または有効なXMLを解析する代わりに、HTMLを実際に見られるように解析します。

Answer 2

それが（上記のように）有効なXMLでない場合、（あなたが特定したように）XMLパーサーはそれを処理しません。エラーの範囲（上記のエンティティの問題など）がわかっている場合、最も簡単な解決策は、エラーの修正プロセス（エンティティの挿入などのエンティティの修正）を実行してから、既存のパーサーにフィードすることです。

それ以外の場合は、そのような異常に対する組み込みのサポートを使用して、自分でコーディングする必要があります。そして、それが退屈でエラーが発生しやすい作業以外の何物でもないと私は信じられません。

Answer 3

JSoupは不正な形式のXMLを処理できると思います