web-dev-qa-db-ja.com

DOCTYPEとDTDの制限のためにHTMLの解析を拒否するGroovyのXmlSlurperを回避する方法は？

HTMLカバレッジレポートの要素をコピーしようとしているので、カバレッジの合計がレポートの上部と下部に表示されます。

HTMLはこうして始まり、私は整形式だと信じています：

<?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">
<html xmlns="http://www.w3.org/1999/xhtml" lang="en" xml:lang="en">
  <head>
    <meta http-equiv="Content-Type" content="text/html;charset=UTF-8" />
    <link rel="stylesheet" href=".resources/report.css" type="text/css" />
    <link rel="shortcut icon" href=".resources/report.gif" type="image/gif" />
    <title>Unified coverage</title>
    <script type="text/javascript" src=".resources/sort.js"></script>
  </head>
  <body onload="initialSort(['breadcrumb', 'coveragetable'])">

GroovyのXmlSlurperは次のように文句を言います：

doc = new XmlSlurper( /* false, false, false */ ).parse("index.html")
[Fatal Error] index.html:1:48: DOCTYPE is disallowed when the feature "http://Apache.org/xml/features/disallow-doctype-decl" set to true.
DOCTYPE is disallowed when the feature "http://Apache.org/xml/features/disallow-doctype-decl" set to true.

DOCTYPEを有効にする：

doc = new XmlSlurper(false, false, true).parse("index.html")
[Fatal Error] index.html:1:148: External DTD: Failed to read external DTD 'xhtml1-strict.dtd', because 'http' access is not allowed due to restriction set by the accessExternalDTD property.
External DTD: Failed to read external DTD 'xhtml1-strict.dtd', because 'http' access is not allowed due to restriction set by the accessExternalDTD property.

doc = new XmlSlurper(false, true, true).parse("index.html")
[Fatal Error] index.html:1:148: External DTD: Failed to read external DTD 'xhtml1-strict.dtd', because 'http' access is not allowed due to restriction set by the accessExternalDTD property.
External DTD: Failed to read external DTD 'xhtml1-strict.dtd', because 'http' access is not allowed due to restriction set by the accessExternalDTD property.


doc = new XmlSlurper(true, true, true).parse("index.html")
External DTD: Failed to read external DTD 'xhtml1-strict.dtd', because 'http' access is not allowed due to restriction set by the accessExternalDTD property.

doc = new XmlSlurper(true, false, true).parse("index.html")
External DTD: Failed to read external DTD 'xhtml1-strict.dtd', because 'http' access is not allowed due to restriction set by the accessExternalDTD property.

だから私はすべてのオプションをカバーしたと思います。正規表現に頼らず、トニー・ザ・ポニーの怒りを危険にさらすことなく、これを機能させる方法がなければなりません。

htmlgroovyxmlslurper
21
android.weasel

Tsk。

parser=new XmlSlurper()
parser.setFeature("http://Apache.org/xml/features/disallow-doctype-decl", false) 
parser.setFeature("http://Apache.org/xml/features/nonvalidating/load-external-dtd", false);
parser.parse(it)
42
android.weasel

HTMLもたまたま整形式のXMLですが、HTMLを解析するためのより一般的なソリューションは、真のHTMLパーサーを使用することです。私は過去に TagSoup パーサーを使用しましたが、実際のHTMLを非常にうまく処理します。

TagSoupは javax.xml.parsers.SAXParser インターフェースを実装するパーサーを提供し、コンストラクターのXmlSlurperに提供できます。例：

@Grab('org.ccil.cowan.tagsoup:tagsoup:1.2.1')

import org.ccil.cowan.tagsoup.Parser

def doc = new XmlSlurper(new Parser()).parse("index.html")
5
ataylor