xml - Spark XML 似乎不适用于 XML 实体（例如 &myentity;）

Question

我正在使用 Spark XML 解析包含一些用户定义实体的大型文档。这是文件中的一个简单片段

<JMdict>
    <entry>
        <ent_seq>1000000</ent_seq>
        <r_ele>
            <reb>ヽ&lt;/reb>
        </r_ele>
        <sense>
            <pos>&unc;</pos>
            <gloss g_type="expl">repetition mark in katakana</gloss>
        </sense>
        <sense>
            <gloss xml:lang="dut">hitotsuten 一つ点: teken dat herhaling van het voorafgaande katakana-schriftteken aangeeft</gloss>
        </sense>
    </entry>
</JMdict>

可以在 XML 文档中找到的内联 DTD 中正确定义了实体，例如这里

<!ENTITY unc "unclassified">

但是，在模式检测阶段解析失败......

root
 |-- _corrupt_record: string (nullable = true)

原因似乎是用户定义的实体：当我转义它们（例如&unc;）时，一切都会再次运行。

root
 |-- ent_seq: string (nullable = true)
 |-- r_ele: struct (nullable = true)
 |    |-- reb: string (nullable = true)
 |-- sense: array (nullable = true)
 |    |-- element: struct (containsNull = true)
 |    |    |-- gloss: struct (nullable = true)
 |    |    |    |-- _VALUE: string (nullable = true)
 |    |    |    |-- _g_type: string (nullable = true)
 |    |    |    |-- _lang: string (nullable = true)
 |    |    |-- pos: string (nullable = true)

我该如何解决这个问题？

Answer 1

是的，它不会做诸如读取 ENTITY 指令之类的事情。原因是你真的不能在大量的 XML 中抛出一个常规的 XML 解析器——或者如果你可以，那么，不需要 Spark，或者spark-xml真的不需要。

所做的只是“spark-xml解析” XML 以找到您感兴趣的少数几个子集，然后将其传递给成熟的 XML 解析器 (STaX)。因此，在您的行标记中，应该正确解析 XML。但是 ENTITY 将位于文档的根目录，因此 STaX 不会看到它。

事实上，这里的用例甚至不是一个大文档，而是很多，甚至可能有不同的指令。