解析破损XML

Question

我试图解析一些第三方XML，其中包含了一些我认为是“非法”的特性。

• 多根元素
• “匿名”关闭标记
• 载有
• 不匹配的开始和结束标记

示例

<foo>
  <toto>123</>  <!-- == "anonymous" close tag -->
  <tata>
     <titi>456</>
  </>     <!-- == "anonymous" close tag-->
</foo>
<bar>   <!-- == multiple root elements -->
</bar>

这是我从未听说过的XML的某种变体吗？到目前为止，我发现的所有东西，包括良好的格式和错误处理，都表明这不是XML。

标记名区分大小写；开始标记和结束标记必须完全匹配。 一个根元素包含所有其他元素。

我只是想知道用Java解析这个问题的最简单方法，而不必求助于regex。我正在考虑初始解析来纠正XML，这样我就可以使用XPath或其他标准机制。

Answer 1

我发现修复这个问题的唯一方法是对整个输入进行标记化，并逐块重新构建它，过滤出问题，正确地关闭标记等等。

此外，我还通过用新元素根包装整个内容，即<root>${content}</root>，修正了多个根标记问题。

public class BrokenXmlParser {

    public String parse(InputStream resource) throws IOException {

        StringBuilder builder = new StringBuilder();
        try (BufferedReader reader = new BufferedReader(new InputStreamReader(resource))) {
            String line = null;
            while ((line = reader.readLine()) != null) {
                builder.append(line + "\n");
            }
        }
        List<String> tokens = tokenize(builder.toString());
        return correct(tokens);
    }

    private String correct(List<String> tokens) {
        StringBuilder reassemble = new StringBuilder();
        reassemble.append("<root>");
        Deque<String> tagNameStack = new ArrayDeque<>();
        boolean skip = false;
        for (int i = 0; i < tokens.size(); i++) {
            String token = tokens.get(i);
            if ("<".equals(token)) {
                tagNameStack.push(tokens.get(i + 1));
            }
            if ("<?".equals(token) || "<!".equals(token)) {
                // skip comments
                skip = true;
            } else if ("<".equals(token)) {
                skip = false;
            }
            if ("</>".equals(token)) {
                reassemble.append("</" + tagNameStack.pop() + ">");
            } else if ("</".equals(token)) {
                // sometimes tags are incorrectly closed
                reassemble.append("</" + tagNameStack.pop() + ">");
                i = i + 2;
            } else if (!skip) {
                reassemble.append(token);
            }
        }
        reassemble.append("</root>");
        return reassemble.toString();
    }

    private List<String> tokenize(String input) {
        List<String> tokens = new ArrayList<>();
        Pattern tag = Pattern.compile("(</>|<!|<\\?|\\?>|</|<|>|\\s+|[^<> ]+)");
        Matcher matcher = tag.matcher(input);
        while (matcher.find()) {
            tokens.add(matcher.group(1));
        }
        return tokens;

    }

}