Java的XML解析：避免實體引用解析

Question

我目前解析XHTML文檔與DOM解析器，如：

final DocumentBuilderFactory dbf = DocumentBuilderFactory.newInstance(); 
dbf.setValidating(false); 

final DocumentBuilder db = dbf.newDocumentBuilder(); 
db.setEntityResolver(MY_ENTITY_RESOLVER); 
db.setErrorHandler(MY_ERROR_HANDLER); 
... 
final Document doc = db.parse(inputSource); 

而我的問題是，當我的文檔包含好像是實體引用，例如：

<p>&euro;</p> 

我的解析器爲包含「€」而不是「& euro;」的內容創建了一個Text節點。這就是說，它正在以應有的方式解決實體（XHTML 1.0 Strict DTD鏈接到ENTITIES Latin1 DTD，後者又建立了「& euro」與「€」的等價關係）。

問題是，我不希望解析器做這樣的事情。 我想保留「&歐元」;文字未修改。

我已經試過：

final DocumentBuilderFactory dbf = DocumentBuilderFactory.newInstance(); 
dbf.setExpandEntityReferences(false); 

但是：

1. 我不喜歡這一點，因爲我擔心這可能使一些解析器實現不導航從XHTML 1.0嚴格的DTD到實體Latin1 DTD，因此不考慮「&歐元;」作爲宣佈爲實體。

2. 當我這樣做時，它奇怪地創建了兩個節點：一個「磅」實體節點和一個帶有「€」符號的文本節點。

任何想法？是否有可能在一個DOM解析器，而不訴諸預處理的XHTML而代所有的「&」符號的東西，其他的？配置此...

解決方案可能是一個DOM解析器或者也可以是SAX之一，我不介意使用SAX解析，然後使用轉換創建我的DOM ...

另外，我無法切換到非標準XML解析庫。沒有jdom，沒有jsoup，沒有HtmlCleaner等。

非常感謝。

Answer 1

我採取的方法是用Xerces將其視爲純文本的唯一標記替換任何實體。一旦轉換成Document對象，標記將被實體引用對象替換。

見http://sourceforge.net/p/commonclasses/code/14/tree/trunk/src/com/redhat/ecs/commonutils/XMLUtilities.java的convertStringToDocument（）函數