使用Stax进行DTD分析
我想解析声明HTML 4.01文档类型的XML文件。
<!DOCTYPE HTML PUBLIC "-//W3C//DTD HTML 4.01//EN" "http://www.w3.org/TR/html4/strict.dtd">
<html>
[...]
</html>
我使用Stax和XMLResolver来加载本地dtd
XMLInputFactory xmlInputFactory = XMLInputFactory.newInstance();
xmlInputFactory.setXMLResolver(new LocalXmlResolver());
xmlOutputFactory = XMLOutputFactory.newInstance();
xmlOutputFactory.createXMLEventWriter(...)
private static final Map<String, String> DTDS = new HashMap<String, String>(){{
// XHTML 1.0 DTDs
put("-//W3C//DTD XHTML 1.0 Strict//EN", "xhtml1-strict.dtd");
put("-//W3C//DTD XHTML 1.0 Transitional//EN", "xhtml1-transitional.dtd");
put("-//W3C//DTD XHTML 1.0 Frameset//EN", "xhtml1-frameset.dtd");
put("-//W3C//DTD HTML 4.01//EN", "strict.dtd");
put("-//W3C//DTD HTML 4.01 Transitional//EN", "loose.dtd");
put("-//W3C//DTD HTML 4.01 Frameset//EN", "frameset.dtd");
}};
private static final class LocalXmlResolver implements XMLResolver {
@Override
public Object resolveEntity(String publicID, String systemID, String baseURI, String namespace) throws XMLStreamException {
Object result = null;
String path = XHTML_DTD_PATH + DTDS.get(publicID);
if (StringUtils.isNotBlank(path)) {
result = getClass().getClassLoader().getResourceAsStream(path);
}
return result;
}
}
我从（W3C网站）检索到了dtd。 但我不得不改变这个文件来删除像下面这样的节点中的所有注释：
<!ENTITY % ContentType "CDATA"
-- media type, as per [RFC2045]
-->
<!ENTITY % ContentType "CDATA">
但即使经过这些修改，我仍然有这个错误：
javax.xml.stream.XMLStreamException: ParseError at [row,col]:[184,11]
Message: The element type is required in the element type declaration.
[...]
Caused by: javax.xml.stream.XMLStreamException: ParseError at [row,col]:[184,11]
Message: The element type is required in the element type declaration.
at com.sun.org.apache.xerces.internal.impl.XMLStreamReaderImpl.next(XMLStreamReaderImpl.java:598)
at com.sun.xml.internal.stream.XMLEventReaderImpl.nextEvent(XMLEventReaderImpl.java:83)
在dtd文件中，第184行是：
<!ELEMENT (%fontstyle;|%phrase;) - - (%inline;)* >
任何想法 ？
谢谢
HTML是一种SGML语言，所以它有一个SGML DTD。 你可以在这里找到更多关于SGML的信息：http://validator.w3.org/docs/sgml.html
SGML与XML有点不同，所以毫无疑问XML解析器不能解析它。
主要的例子是：
在SGML DTD中允许实体声明内部的注释（用双连字符分隔： - 这是一个注释 - ），而不是XML DTD。
有关更多差异，请按照http://www.w3.org/TR/NOTE-sgml-xml-971215#null
不过，您无法通过创建您自己的XMLResolver来禁用特定DTD的DTD分析
xmlInput = XMLInputFactory.newInstance();
xmlInput.setXMLResolver(new XMLResolver() {
@Override
public Object resolveEntity(String publicID, String systemID, String baseURI, String namespace) throws XMLStreamException {
...
// Disable dtd validation
if ("The public id you except".equals(publicId)) {
return IOUtils.toInputStream("");
}
...
}
});
对于html解析器，请考虑http://jtidy.sourceforge.net/或http://jsoup.org/作为解决方案
链接地址: http://www.djcxy.com/p/34901.html