解析格式错误/不完整/无效的 XML 文件

Question

我有一个使用 JDOM 和 xpath 解析 XML 文件的过程，如下所示：

private static SAXBuilder   builder         =   null;
private static Document     doc         =   null; 
private static XPath        xpathInstance       =   null;

builder = new SAXBuilder();
Text list = null;

try {
    doc = builder.build(new StringReader(xmldocument));

} catch (JDOMException e) {
            throw new Exception(e);
} 



try {
    xpathInstance = XPath.newInstance("//book[author='Neal Stephenson']/title/text()");
    list = (Text) xpathInstance.selectSingleNode(doc);
} catch (JDOMException e) {
    throw new Exception(e);
}

上面的工作正常。 xpath 表达式存储在属性文件中，因此可以随时更改。现在我必须处理更多来自遗留系统的 xml 文件，该系统只会以 4000 字节的块发送 xml 文件。现有的处理读取 4000 字节的块并将它们存储在 Oracle 数据库中，每个块作为数据库中的一行（对遗留系统进行任何更改或将块作为数据库中的行存储的处理是不可能的） 。

我可以通过提取与特定 xml 文档相关的所有行并合并它们来构建完整的有效 XML 文档，然后使用现有处理（如上所示）来解析 xml 文档。

但问题是，我需要从 XML 文档中提取的数据始终位于前 4000 个字节。该块当然不是有效的 XML 文档，因为它不完整，但包含我需要的所有数据。我无法只解析一个块，因为 JDOM 构建器会拒绝它。

我想知道我是否可以解析格式错误的 XML 块，而不必合并所有部分（可能会达到很多部分）以获得有效的 XML 文档。这将节省我多次前往数据库检查某个块是否可用的次数，并且我不必为了能够使用前 4000 个字节而合并 100 个块。

我知道我可能可以使用java的字符串函数来提取相关数据，但这可以使用解析器甚至xpath吗？或者他们都期望 xml 文档在解析之前是一个格式良好的文档？

Answer 1

您可以尝试使用 JSoup 来解析无效的 XML。根据定义，XML 应该是格式正确的，否则它是无效的并且不应该使用。

更新 - 示例：

public static void main(String[] args) {
    for (Node node : Parser.parseFragment("<test><author name=\"Vlad\"><book name=\"SO\"/>" ,
            new Element(Tag.valueOf("p"), ""),
            "")) {
        print(node, 0);
    }
}

public static void print(Node node, int offset) {
    for (int i = 0; i < offset; i++) {
        System.out.print(" ");
    }
    System.out.print(node.nodeName());
    for (Attribute attribute: node.attributes()) {
        System.out.print(", ");
        System.out.print(attribute.getKey() + "=" + attribute.getValue());
    }
    System.out.println();
    for (Node child : node.childNodes()) {
        print(child, offset + 4);
    }
}