由于项目的需要,将网站上的信息抓取下来,提取出想要的信息,然后保存在xml文件里,再将xml文件上传一服务器,这个过程中,我想将原来网页上的信息的换行和空格标签保存在xml文件里去,但是直接将<br>标签放在xml文件里,显然不行,因为在xml文件里会当作xml标签,所以我就将<替换为<而>就替换为>这样就可以与xml的标签区分开来,但是空格 放在xml文件里竟然有问题,xml解析它时会抛出如下异常:
org.xml.sax.SAXParseException: The entity "nbsp" was referenced, but not declared.
后来看了下面的文件后,就将 改为  这样可以让xml解析器解析正确,在myeclipse下调试,看到的串显示也是正确的,不过用System.out.println()打印出来会在有 的地方显示三个问号,我再根据下面的文章,将这个串用replaceAll("\240$", " ")方法替换回空格,再存放数据库,但是我这里不行,还是显示出三个问题,后来再查了一下,原来将 替换为&nbsp;然后写入xml文件,后面由xml解析器解析出来的就成了nbsp;也正是我想要的空格,可以直接放入数据库中去。
参考:
我们常常会解析html,解析html通常来说有两种方法,其一是直接对html进行解析,其二是将html转换到xml再解析。因为学习成本的关系,越来越倾向于使用后者来实现。第二种方法一个常用的工具就是:neko html parser,他将html转换到xml,又使用了Xerces2进行xml操作。
于是问题开始了,在html中的&符号表示的一些特别意义,在xml中往往没有定义,比如今天我要讲的 他在html中表示non-breaking space,但是你不能用同样的方式在xml中表示,因为xml中&开头表示,可解析的实体,这个实体被DTD预先定义,而 并没有被定义,所有如果用Xerces2来解析出现这样字符的xml文件(当然,这里假设你也没有自己预先定义),会抛出如下异常:
org.xml.sax.SAXParseException: The entity "nbsp" was referenced, but not declared.
一般给出如下的解决方案:使用  这又是什么道理呢?因为这是HTML ISO-8859-1 Reference 定义的规范,如下:
Character Entity Number Entity Name Description
  non-breaking space
neko html parser也这是使用的这样的方案,所以当解析这样一句html的时候:
<td>
big black bear bit back the big black bug.
</td>
就bei neko html parser替换成了
<td>
big black bear bit back the big black bug. 
</td>
如果这样就完了,就不会有今天这篇文章了。
但是替换之后,通过xml解析输出,显示的不是一个空格而是一个 ?,最要人命的地方了是这个?并不是ascii 中的063d。所以当我们通过getTextContent()方法的时候,我们得到的是:
big black bear bit back the big black bug.?
在实际应用中,当然需要出去这个?,于是我们打算使用replaceAll("\\?$", "")来替换掉这个?,但是你错了,你被你的眼睛骗了,这时你会发现根本不起作用你应该是用replaceAll("\240$", ""),240是160的八进制数。
后记:
原来让xml不解析大小于号等xml关键字符,可以用:
CDATA 部分中的所有内容都会被解析器忽略。
CDATA 部分由 "<![CDATA[" 开始,由 "]]>" 结束:
详见:http://www.w3school.com.cn/xml/xml_cdata.asp
分享到:
相关推荐
纯html标签静态调用xml文件并显示,不包含js方法。 以及xsl对xml文件的的显示修饰方法
js读取xml文件并获取文件内容
可解析XML文件的内容,读取标记中的信息,选择xml文件之后,点击全遍历,可将所有信息提取,并显示原始xml文件信息
本代码实现了将一个html文件转成xml文件
主要介绍了Java使用正则表达式提取XML节点内容的方法,结合具体实例形式分析了java针对xml格式字符串的正则匹配相关操作技巧,需要的朋友可以参考下
Qt读写Xml文件;QTreeWidget加载显示Xml文件内容;QTreeWidget项导出保存为Xml;QTreeWidget项实现可拖动
通过代码创建一个现在不存在,自己想要存放信息的文件夹和创建xml文件,并向xml中写入信息。
java解析XML文件java解析XML文件java解析XML文件java解析XML文件java解析XML文件java解析XML文件
1.实现了对文件夹中xml文件的筛选。 2.实现了对xml文件的批量更改。 3.正则表达式匹配具体的内容,修改并保存。
Workvisual倍福XML文件
本程序是用C++来读取一个XML文档中的内容,其中包括两方面的内容:一,创建一个XML文档;二,读取指定XML文档中的内容,非常适合于初学XML的人的一个C++源代码
Qt读写Xml文件,QTreeWidget显示Xml和导出Xml文件
完整的XML文件,
C# XML文件读取示例
动态生成Rss文件 Xml操作 Xml文件的修改动态生成Rss文件 Xml操作 Xml文件的修改动态生成Rss文件 Xml操作 Xml文件的修改动态生成Rss文件 Xml操作 Xml文件的修改动态生成Rss文件 Xml操作 Xml文件的修改动态生成Rss文件...
C++实现对xml文件的解析,C++实现对xml文件的解析,C++实现对xml文件的解析。
C# WinForm 读写XML文件 C# WinForm 读写XML文件
功能:1.解决PB创建UTF-8文件带BOM问题;...问度娘发现有相同问题,但解决方式是利用新建一个UTF-8的TXT文件后,再进行COPY加内容。感觉这样操作有点复杂。 后通过修改修改顺序,让BLOB提前编码UTF-8,解决了该问题。
C# 在HTML页面中使用XML文件 在HTML页面中使用XML文件
xml文件实例xml文件实例xml文件实例xml文件实例xml文件实例xml文件实例xml文件实例xml文件实例 poi-2.5.1-final-20040804.jar poi-contrib-2.5.1-final-20040804.jar poi-scratchpad-2.5.1-final-20040804.jar ...