17

我想我阅读了与这个问题相关的每一个网页，但我仍然找不到解决方案，所以我在这里。

我有一个不受我控制的 HTML 网页，我需要从我的 iPhone 应用程序中解析它。这是我正在谈论的网页示例：

<HTML>
  <HEAD>
    <META http-equiv="Content-Type" content="text/html; charset=ISO-8859-1">
  </HEAD>
  <BODY>
    <LI class="bye bye" rel="hello 1">
      <H5 class="onlytext">
        <A name="morning_part">morning</A>
      </H5>
      <DIV class="mydiv">
        <SPAN class="myclass">something about you</SPAN> 
        <SPAN class="anotherclass">
          <A href="http://www.google.it">Bye Bye &egrave; un saluto</A>
        </SPAN>
      </DIV>
    </LI>
  </BODY>
</HTML>

我正在使用 NSXMLParser 并且它运行良好，直到它找到è html 实体。它调用 foundCharacters: 表示“Bye Bye”，然后调用resolveExternalEntityName:systemID:: 实体名称为“egrave”。在这种方法中，我只是返回在 NSData 中转换的字符“è”，再次调用 foundCharacters 将字符串“è”添加到前一个“Bye Bye”，然后解析器引发NSXMLParserUndeclaredEntityError错误。

我没有 DTD，也无法更改正在解析的 html 文件。你对这个问题有什么想法吗？

更新（2010 年 12 月 3 日）。在 Griffo 的建议之后，我得到了这样的结果：

data = [self replaceHtmlEntities:data];
NSXMLParser *parser = [[NSXMLParser alloc] initWithData:data];
[parser setDelegate:self];
[parser parse];

其中 replaceHtmlEntities:(NSData *) 是这样的：

- (NSData *)replaceHtmlEntities:(NSData *)data {
    
    NSString *htmlCode = [[NSString alloc] initWithData:data encoding:NSISOLatin1StringEncoding];
    NSMutableString *temp = [NSMutableString stringWithString:htmlCode];
    
    [temp replaceOccurrencesOfString:@"&amp;" withString:@"&" options:NSLiteralSearch range:NSMakeRange(0, [temp length])];
    [temp replaceOccurrencesOfString:@"&nbsp;" withString:@" " options:NSLiteralSearch range:NSMakeRange(0, [temp length])];
    ...
    [temp replaceOccurrencesOfString:@"&Agrave;" withString:@"À" options:NSLiteralSearch range:NSMakeRange(0, [temp length])];

    NSData *finalData = [temp dataUsingEncoding:NSISOLatin1StringEncoding];
    return finalData;
    
}

但我仍在寻找解决这个问题的最佳方法。我将在接下来的几天里尝试 TouchXml，但我仍然认为应该有一种方法可以使用 NSXMLParser API 来做到这一点，所以如果你知道如何，请随时在此处编写。

4

6 回答 6

9

在探索了几种替代方案之后，似乎 NSXMLParser 将不支持标准实体以外的实体&lt;, &gt;, &apos;, &quot; and &amp;

下面的代码失败导致NSXMLParserUndeclaredEntityError.


// Create a dictionary to hold the entities and NSString equivalents
// A complete list of entities and unicode values is described in the HTML DTD
// which is available for download http://www.w3.org/TR/xhtml1/DTD/xhtml-lat1.ent


NSDictionary *entityMap = [NSDictionary dictionaryWithObjectsAndKeys: 
                     [NSString stringWithFormat:@"%C", 0x00E8], @"egrave",
                     [NSString stringWithFormat:@"%C", 0x00E0], @"agrave", 
                     ...
                     ,nil];

NSXMLParser *parser = [[NSXMLParser alloc] initWithData:data];
[parser setDelegate:self];
[parser setShouldResolveExternalEntities:YES];
[parser parse];

// NSXMLParser delegate method
- (NSData *)parser:(NSXMLParser *)parser resolveExternalEntityName:(NSString *)entityName systemID:(NSString *)systemID {
    return [[entityMap objectForKey:entityName] dataUsingEncoding: NSUTF8StringEncoding];
}

尝试通过在 HTML 文档前加上 ENTITY 声明来声明实体将通过，但是扩展的实体不会传回，parser:foundCharacters并且删除 è 和 à 字符。

<?xml version="1.0" encoding="UTF-8" ?>
<!DOCTYPE HTML PUBLIC "-//W3C//DTD XHTML 1.0 Strict//EN" "http://www.w3.org/TR/xhtml1/DTD/xhtml1-strict.dtd"
[
  <!ENTITY agrave "à">
  <!ENTITY egrave "è">
]>

在另一个实验中，我使用内部 DTD 创建了一个完全有效的 xml 文档

<?xml version="1.0" standalone="yes" ?>
<!DOCTYPE author [
    <!ELEMENT author (#PCDATA)>
    <!ENTITY js "Jo Smith">
]>
<author>&lt; &js; &gt;</author>

我实现了parser:foundInternalEntityDeclarationWithName:value:;委托方法，很明显解析器正在获取实体数据，但是parser:foundCharacters只为预定义的实体调用。

2010-03-20 12:53:59.871 xmlParsing[1012:207] Parser Did Start Document
2010-03-20 12:53:59.873 xmlParsing[1012:207] Parser foundElementDeclarationWithName: author model: 
2010-03-20 12:53:59.873 xmlParsing[1012:207] Parser foundInternalEntityDeclarationWithName: js value: Jo Smith
2010-03-20 12:53:59.874 xmlParsing[1012:207] didStartElement: author type: (null)
2010-03-20 12:53:59.875 xmlParsing[1012:207] parser foundCharacters Before: 
2010-03-20 12:53:59.875 xmlParsing[1012:207] parser foundCharacters After: <
2010-03-20 12:53:59.876 xmlParsing[1012:207] parser foundCharacters Before: <
2010-03-20 12:53:59.876 xmlParsing[1012:207] parser foundCharacters After: < 
2010-03-20 12:53:59.877 xmlParsing[1012:207] parser foundCharacters Before: < 
2010-03-20 12:53:59.878 xmlParsing[1012:207] parser foundCharacters After: <  
2010-03-20 12:53:59.879 xmlParsing[1012:207] parser foundCharacters Before: <  
2010-03-20 12:53:59.879 xmlParsing[1012:207] parser foundCharacters After: <  >
2010-03-20 12:53:59.880 xmlParsing[1012:207] didEndElement: author with content: <  >
2010-03-20 12:53:59.880 xmlParsing[1012:207] Parser Did End Document

我找到了一个关于使用 LibXML 的 SAX 接口的教程的链接。xmlSAXHandler使用的允许NSXMLParser定义getEntity回调。调用后getEntity，实体的扩展被传递给characters回调。

NSXMLParser这里缺少功能。应该发生的是NSXMLParser或其delegate存储实体定义并将它们提供给xmlSAXHandler getEntity回调。这显然不会发生。我将提交错误报告。

同时，如果您的文档很小，则执行字符串替换的较早答案是完全可以接受的。查看上面提到的 SAX 教程以及来自 Apple 的 XMLPerformance 示例应用程序，看看libxml自己实现解析器是否值得。

这很有趣。

于 2010-03-14T22:57:03.673 回答
2

一个可能不那么棘手的解决方案是用本地修改的 DTD 替换 DTD，并将所有外部实体声明替换为本地声明。

我就是这样做的：

首先，查找文档 DTD 声明并将其替换为本地文件。例如，替换这个：

<!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Transitional//EN" "http://www.w3.org/TR/xhtml1/DTD/xhtml1-transitional.dtd">
<html><body><a href='a.html'>hi!</a><br><p>Hello</p></body></html>

有了这个：

<!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Transitional//EN" "file://localhost/Users/siuying/Library/Application%20Support/iPhone%20Simulator/6.1/Applications/17065C0F-6754-4AD0-A1EA-9373F6476F8F/App.app/xhtml1-transitional.dtd">
<html><body><a href='a.html'>hi!</a><br><p>Hello</p></body></html>

```

从 W3C URL 下载 DTD 并将其添加到您的应用程序包中。您可以使用以下代码找到文件的路径：

NSBundle* bundle = [NSBundle bundleForClass:[self class]];
NSString* path = [[bundle URLForResource:@"xhtml1-transitional" withExtension:@"dtd"] absoluteString];

打开 DTD 文件，找到任何外部实体引用：

<!ENTITY % HTMLlat1 PUBLIC
   "-//W3C//ENTITIES Latin 1 for XHTML//EN"
   "http://www.w3.org/TR/xhtml1/DTD/xhtml-lat1.ent">
%HTMLlat1;

将其替换为实体文件的内容（在上述情况下为http://www.w3.org/TR/xhtml1/DTD/xhtml-lat1.ent ）

替换所有外部引用后，NSXMLParser 应该正确处理实体，而无需在每次解析 XML 文件时下载每个远程 DTD/外部实体。

于 2013-04-17T07:04:24.710 回答
0

我会尝试使用不同的解析器，比如 libxml2——理论上我认为应该能够处理糟糕的 HTML。

于 2010-03-03T21:07:38.723 回答
0

自从我刚开始做 iOS 开发以来，我一直在寻找同样的东西，并找到了一个相关的邮件列表条目： http: //www.mail-archive.com/cocoa-dev@lists.apple.com/msg17706。 html

- (NSData *)parser:(NSXMLParser *)parser resolveExternalEntityName: (NSString *)entityName systemID:(NSString *)systemID {       
    NSAttributedString *entityString = [[[NSAttributedString alloc] initWithHTML:[[NSString stringWithFormat:@"&%@;", entityName] dataUsingEncoding:NSUTF8StringEncoding] documentAttributes:NULL] autorelease];

    NSLog(@"resolved entity name: %@", [entityString string]);

    return [[entityString string] dataUsingEncoding:NSUTF8StringEncoding];
}

这与您的原始解决方案非常相似，也会导致解析器错误NSXMLParserErrorDomain error 26；但它确实在那之后继续解析。当然，问题是很难区分真正的错误；-)

于 2012-05-24T04:39:23.620 回答
0

在使用 NSXMLParser 解析数据之前，您可以在数据中进行字符串替换。NSXMLParser 仅据我所知是 UTF-8。

于 2010-03-03T13:11:27.697 回答
0

我认为您将在此示例中遇到另一个问题，因为它不是 NSXMLParser 正在寻找的有效 XML。

上面的确切问题是标签 META、LI、HTML 和 BODY 没有关闭，因此解析器一直在寻找它的结束标签，尽管文档的其余部分一直在寻找它的结束标签。

如果您无权更改 HTML，我知道的唯一解决方法是使用插入的结束标签来镜像它。

于 2010-03-03T14:31:46.007 回答