问题标签 [sax]

使用 Sax ActiveX 脚本（长篇故事），我有 3 个嵌套的 if 语句，它们重用相同的返回变量。脚本大致如下：

奇怪的是，同样的代码结构在我上周编写的脚本中运行。我只是更改了几个查询和函数的名称（查找 > 替换）。

在第二个查询之后，我尝试了 aMsgBox CStr(rtnArray(0)(0))但它产生了Error 10025 in : Array has a different number of indexes.

错误代码对应以下手册： http:
//www.ftgsoftware.com/manuals/basic32.pdf

SAX 解析器是否能够捕获 XML 文档中的混合内容（参见下面的示例）？

<element>here is some <b>mixed content</b></element>

嗨朋友们，我正在使用 Sax 解析器来解析我从互联网上收到的 xml 文件......问题是正常的 xml 被解析得很好，除了属性中带有“»”符号的 xml 文件......

每次我尝试解析文件时，我都会收到以下错误

有什么方法可以让我绕过这个字符并通过java代码自己处理吗？？？提前谢谢...

我需要的只是获取相应标签的文本并将其保存到数据库中。由于 xml 文件很大（4.5GB），我使用的是 sax。我使用字符方法来获取文本并将其放入字典中。但是，当我在endElement方法中打印文本时，我得到的是新行而不是文本。

这是我的代码：

提前致谢。

我正在使用 Java 中的 SAX 解析 XML 文档。
我正在使用描述不同领域研究出版物的 XML。
其中有诸如“抽象”之类的元素，简要描述了研究论文的内容。该字段允许使用基本的 HTML 格式，但我不希望 SAX 将 HTML 标签（如 i、b、u、sub、sup 等）作为真正的 XML 标签并触发 strartElement() 和 endElement( ) 元素上的事件。

有没有办法告诉 SAX 忽略一些预定义的 XML 标记集并将它们的 XML 代码按原样传递给 characters() 方法？

我搜索了网络，并上下搜索了stackoverflow。没有解决方案。虽然我在这里找到了如何在纯 xslt 中执行此操作的解决方案。

但问题是生成的 xml 将有数百 MB 大。所以我必须用 Java 中的 SAX 来做这件事。（请不要使用 xslt 解决方案，尽管我用 xslt 对其进行了标记；-)）

让我更详细地解释一下。我有几个应该解析的多个 xml 文件（最好是 InputSteam）。文件或 InputStream 的样子

输入流1

输入流2

inputstream1+inputstream2+...+inputstreamN =结果 xml。它看起来像

有人对此有解决方案或链接吗？这是否可以通过实现自定义 InputSource 或者我应该使用自定义 ContentHandler 来实现？或者这可能与joost/stx吗？

如果我可以使用 ContentHandler 的好处是我可以应用一些小的转换（我已经实现了这个）。但问题是我不知道如何将多个文件或 InputStream 作为 InputSource 传递：

还是应该直接在我的 ContentHandler 中解析 InputStreams？

我知道 Sax 和 Dom 之间在解析 Xml 方面的区别相当大，但是创建一个呢？有没有办法使用 Sax 创建新的 Xml，或者如果我想根据程序中的数据创建新的 Xml 文件，我将不得不使用 DOM？

谢谢

在我的代码中，我使用 openoffice 将一些样式化的 xls 文档转换为 html。然后我使用xml_parser_create. <BR>问题是 openoffice 创建带有未封闭和标签的 oldschool html <HR>，它不创建 doctypes 并且不引用 attributes <TABLE WIDTH=4>。

我知道的 php 解析器不喜欢这样，并产生 xml 格式错误。我目前的解决方案是在解析文件之前对文件运行一些正则表达式，但这既不好也不快。

你知道一个（希望包括在内的）php-parser，它不关心这些类型的错误吗？或者也许是修复“损坏”html的快速方法？

我正在尝试以内存高效的方式使用 lxml 解析一个巨大的 xml 文件（即从磁盘懒惰地流式传输，而不是将整个文件加载到内存中）。不幸的是，该文件包含一些破坏默认解析器的错误 ascii 字符。如果我设置了recover=True，解析器就可以工作，但是iterparse 方法不采用recover 参数或自定义解析器对象。有谁知道如何使用 iterparse 解析损坏的 xml？

谢谢你的帮助！

编辑——这是我遇到的编码错误类型的一个例子：

如您所见，chardet 认为它是一个 ascii 文件，但在这个示例中间有一个“\x1e”，这使得 lxml 引发异常。

如何在解析文档时强制 SAX 解析器（特别是 Java 中的 Xerces）使用 DTD，而输入文档中没有任何文档类型？这甚至可能吗？

以下是我的场景的更多细节：

我们有一堆符合由多个不同系统生成的相同 DTD 的 XML 文档（我都无法更改）。其中一些系统将文档类型添加到其输出文档中，而其他系统则没有。有些使用命名字符实体，有些则不使用。有些使用命名字符实体而不声明文档类型。 我知道这不是犹太教，但这是我必须处理的。

我正在开发需要用 Java 解析这些文件的系统。目前，它通过首先将 XML 文档作为流读取来处理上述情况，尝试检测它是否定义了 doctype，如果还没有，则添加一个 doctype 声明。问题是这段代码有问题，我想用更干净的东西替换它。

文件很大，所以我不能使用基于 DOM 的解决方案。我也在尝试解析字符实体，因此使用 XML 模式无济于事。

如果您有解决方案，请您直接发布而不是链接到它吗？如果将来有一个带有死链接的正确解决方案，它对 Stack Overflow 并没有多大好处。