如何解析XML中的HTML

kakajw

浏览: 265089 次
性别:
来自: 上海

最近访客更多访客>>

tanchangmin

Luther

change37

flickering

博主相关

博客

微博

相册

留言

关于我

文章分类

社区版块

存档分类

一、问题提出

问题：现有两个应用A和B，B接收并解析A发送的XML，XML主要内容如下所示：
<?xml version="1.0" encoding="UTF-8"?>
<mail>
<address>
   888@163.com
</address>
<content>
    ”<html><body><button>test</button><button>tes</button>"quot"'quot'</body> </html>“
</content>
</mail>
标签<content>中包含html文本，如何保证html内容被正确解析？


二、解决办法

1.利用xml转义字符
   什么是xml敏感字符？当进行xml解析时，xml标签的数据若包含（< > & ' "）这5个字符，则解析会报错（为什么会报错呢，google之）。
   什么xml转义字符？为解决上述报错问题，用其他5个字符替换敏感字符，敏感字符会被正常解析为标签数据，这5个用于替换或者转义的字符就是xml的转义字符。
   敏感字符和转义字符的对应关系如下：

    转义字符敏感字符   字符描述
    <           <                小于号
    >          >                大于号
    &    &                和
    '     '                 单引号
    "      "               双引号

    html文本包含很多的xml敏感字符，html文本作为xml标签的数据，若要被正常解析，则将html文本的每个xml敏感字符替换成xml转义字符即可

   因此，A发送xml前将上述xml替换后，如下所示：
   <?xml version="1.0" encoding="UTF-8"?>
<mail>
<address>
   888@163.com
</address>
<content>
   "<html><body><button>test</button>&lt;button&gt;tes&lt;/button&gt;"quot"'quot'</body> </html>"
</content>
</mail>
这样B就可正确解析A的内容。

2.使用CDATA标签
   对于XML解析器，CDATA标签内部的数据都会被当做纯字符串（而非xml内容）原样解析，不管数据中是否包含xml敏感字符。
   如：
    <![CDATA[I can't see this text <$'"> ]]> 被解析成 I can't see this text <$'">,保持原样不变。
   因此，使用CDATA标签可解决上述问题，只需将html文本包含于CDATA标签即可，如下所示：
   <?xml version="1.0" encoding="UTF-8"?>
<mail>
<address>
   888@163.com
</address>
<content>
    <![CDATA["<html><body><button>test</button><button>tes</button>"quot"'quot'</body></html>“ ]]>
</content>
</mail>

   问题貌似已经解决，但如果html文本中也包含CDATA标签时，解析器也会报错，
   因为XML认为嵌套的CDATA标签是不合法的，不允许CDATA嵌套！
   如：
   <![CDATA[”<html><body><![CDATA[qian tao]]></body></html>“ ]]>

   解决办法：解析前，将最外围CDATA包含的 “]]>”替换为“]]]]><![CDATA[>”，解析完成后替换回来即可，嘿嘿！
   替换后如下：
   <![CDATA[”<html><body><![CDATA[qian tao]]]]><![CDATA[></body></html>“ ]]>