使用java从xml中删除包含实体的doctype

Question

我正在尝试处理一个 xml，在此之前我需要从输入 xml 中删除文档类型和实体声明。

我正在使用以下代码删除文档类型和实体：

fileContent = fileContent.replaceAll("<!ENTITY ((.|\n|\r)*?)\">", "");
fileContent = fileContent.replaceAll("<!DOCTYPE((.|\n|\r)*?)>", "");

这将删除实体，然后删除文档类型。如果 xml 在 xml 中包含以下 doctype 声明，这将正常工作：

<!DOCTYPE ichicsr SYSTEM "http://www.w3.org/TR/html4/frameset.dtd">

<!DOCTYPE ichicsr SYSTEM "D:\UPGRADE\NTServices\Server\\Xml21.dtd"
[<!ENTITY % entitydoc SYSTEM "D:\UPGRADE\NTServices\Server\\latin-entities.dtd"> %entitydoc;]>

但是如果我有下面给出的文档类型，它就不起作用并且 xml 中的根标记被剥离：

<!DOCTYPE ichicsr SYSTEM "D:\UPGRADE\NTServices\Server\\Xml21.dtd" 
[<!ENTITY % entitydoc SYSTEM 'D:\UPGRADE\NTServices\Server\\Xml21.dtd'>
]> 

如果我使用的正则表达式不正确或需要采取任何其他措施，请告诉我。

Answer 1

您的方法不起作用，因为您在正则表达式中的"final 之前需要。你可以用那里代替。>ENTITIY\"['\"]

此外，切勿(.|\n|\r)*?在任何正则表达式中使用，因为它是性能杀手。相反，使用.*?with Pattern.DOTALL（或内联(?s)变体），或至少使用[\s\S]*?.

但是，有一个更好的方法：将两个正则表达式合并为一个：

fileContent = fileContent.replaceAll("(?i)<!DOCTYPE[^<>]*(?:<!ENTITY[^<>]*>[^<>]*)?>", "");

请参阅正则表达式演示。

细节

• (?i)- 不区分大小写的Pattern.CASE_INSENSITIVE内联修饰符
• <!DOCTYPE - 文字
• [^<>]*- 除了<和之外的 0+ 个字符>
• (?:<!ENTITY[^<>]*>[^<>]*)? - 一个可选的出现
  • <!ENTITY
  • [^<>]*- 除了<和之外的 0+ 个字符>
  • >- 一个>字符
  • [^<>]*- 除了<和之外的 0+ 个字符>
• >- 一个>字符。