解析包含未定义实体的XHTML文档

Question

在使用Python编程时，如果我需要加载未定义实体的XHTML文档，我会创建一个解析器并更新实体字典（即nbsp）：

import xml.etree.ElementTree as ET
parser = ET.XMLParser()
parser.entity['nbsp'] = ' '
tree = ET.parse(opener.open(url), parser=parser)

我尝试使用VB.Net将XHTML文档解析为Linq XDocument：

Dim x As XDocument = XDocument.Load(url)

出现了XmlException：

引用未声明的实体“nbsp”

搜索了一下，我没有找到任何更新实体表或使用简单方法来解析XHTML文档中未定义实体的示例。

如何解决这个看起来很简单的问题呢？

- theta

---

XDocument.Load 方法是否也会读取 DTD 中的实体表？ - Mr Lister

默认情况下不行，我需要使用XmlReader并为XDocument启用DTDProcessing。但是我只需要向解析器添加此实体，而无需请求w3c或在本地存储XHTML的DTD。 - theta

Answer 1

实体解析是由底层解析器完成的，这里使用的是标准的XmlReader（或XmlTextReader）。官方上，你应该在DTD中声明实体（请参见Oleg在此处的回答：Problem with XHTML entities），或将DTD动态加载到您的文档中。这里有一些示例，例如How do I resolve entities when loading into an XDocument?。

您还可以创建一个hacky XmlTextReader派生类，当检测到实体时，基于字典返回Text节点，就像我在以下示例代码中演示的那样：

using (XmlTextReaderWithEntities reader = new XmlTextReaderWithEntities(MyXmlFile))
{
    reader.AddEntity("nbsp", "\u00A0");
    XDocument xdoc = XDocument.Load(reader);
}

...

public class XmlTextReaderWithEntities : XmlTextReader
{
    private string _nextEntity;
    private Dictionary<string, string> _entities = new Dictionary<string, string>();

    // NOTE: override other constructors for completeness
    public XmlTextReaderWithEntities(string path)
        : base(path)
    {
    }

    public void AddEntity(string entity, string value)
    {
        _entities[entity] = value;
    }

    public override bool Read()
    {
        if (_nextEntity != null)
            return true;

        return base.Read();
    }

    public override XmlNodeType NodeType
    {
        get
        {
            if (_nextEntity != null)
                return XmlNodeType.Text;

            return base.NodeType;
        }
    }

    public override string Value
    {
        get
        {
            if (_nextEntity != null)
            {
                string value = _nextEntity;
                _nextEntity = null;
                return value;
            }
            return base.Value;
        }
    }

    public override void ResolveEntity()
    {
        // if not found, return the string as is
        if (!_entities.TryGetValue(LocalName, out _nextEntity))
        {
            _nextEntity = "&" + LocalName + ";";
        }
        // NOTE: we don't use base here. Depends on the scenario
    }
}

这种方法适用于简单的情况，但为了完整性，您可能需要覆盖一些其他内容。

PS：抱歉它是用C#编写的，您需要适应VB.NET :)

- Simon Mourier

---

感谢您的子类化解决方案，它对我非常有效 :) 我额外添加的一件事是在加载XDocument之前添加reader.XmlResolver = Nothing，因为没有它，XmlTextReader将从W3C拉取DTDs。 - theta

Answer 2

我还没有这样做过，但是您可以创建一个带有所需实体声明为 internalSubset 的 XmlParserContext 对象。将该上下文传递给 XmlTextReader 构造函数，并通过加载读取器来创建 XDocument 对象。MSDN中已经有一个看起来很简单的 VB 示例代码 example code snippet，用于使用预定义实体。

- jasso

---

这看起来很简单，但似乎只适用于xmlFragments，并且我无法在来自url的XHTML文档中找到方法。 - theta

Answer 3

在这种情况下，我想你是在谈论网页，所以你可以使用Html Agility Pack来满足你的需求。

我使用XPath、元素和其他一些东西。它非常有用，可以搜索HTML页面等。

你可以在这里找到文档：htmlagilitypack

- makemoney2010

---

谢谢，但我不想使用特殊的包来解析XHTML，而且我也不想解析HTML DOM，而是XML。 - theta

你能给我解释一下 XML 是什么吗？ - makemoney2010

它是一个不像HTML DOM那样昂贵的对象：http://en.wikipedia.org/wiki/XML_tree - theta

嗨Theta:D，我知道什么是XML，我回答错了问题:)对不起，有时我会用意大利语思考并按照意大利语法写作，抱歉。 - makemoney2010