ruby - 如何让 Nokogiri 的 SAX 解析器不那么严格？

Question

我正在处理非常大的 XML 文件，所以我需要使用 SAX/evented XML 解析器。 Nokogiri::XML::SAX 似乎是一个显而易见的选择，但是，SAX 解析器似乎会因小错误而窒息，即使是常规 XML 解析器也可以轻松恢复的错误。

在下面的示例中，url <property> 的属性有一个 &那真的应该转义到& . Nokogiri::XML 仍然能够解析 <property> 中的元素但是 Nokogiri::XML::SAX 似乎只是放弃并且从不触发 <property> 中元素的事件.

require 'nokogiri'

class Doc < Nokogiri::XML::SAX::Document
  include Enumerable

  def initialize(xml)
    @xml = xml
  end

  def each(&block)
    @on_record = block
    parse(@xml)
  end

  def parse(xml)
    parser = Nokogiri::XML::SAX::Parser.new(self)
    parser.parse(xml)
  end

  def end_element(name)
    @on_record.call(name) if name == "details"
  end

  def error(str)
    puts str
  end
end

xml = <<XML
<?xml version="1.0" encoding="UTF-8"?>
<streeteasy version="1.5">
  <properties>
    <property url="http://example.com/?foo=bar&yin=yang">
      <location>Somewhere</location>
      <details>Information goes here</details>
    </property>
  </properties>
</streeteasy>
XML

puts Doc.new(xml).count # => 0, but should be 1
puts Nokogiri::XML(xml).xpath("//details").count # => 1

上面的脚本应该输出:

1
1

但是，我得到:

EntityRef: expecting ';'
0
1

有没有办法让 Nokogiri 忽略这些小错误？在 Ruby 中是否有更好的 SAX/push/pull/evented XML 解析选项可以忽略此类错误？

Answer 1

改用 Nokogiri 的 HTML SAX 解析器。

改变这一行

parser = Nokogiri::XML::SAX::Parser.new(self)

到这一行

parser = Nokogiri::HTML::SAX::Parser.new(self)

HTML 解析器显然在恢复模式下运行 libxml，并且能够从错误中恢复。这允许该示例输出所需的 1/1，尽管有一些关于非标准“html”标签的提示。

Tag streeteasy invalid
Tag properties invalid
htmlParseEntityRef: expecting ';'
Tag property invalid
Tag location invalid
Tag details invalid
1
1

更新

事实证明这适用于我设计的示例，但是一旦 Nokogiri::HTML::SAX::Parser#parse 被传递给 IO 而不是String 就像 XML 版本一样，它会因错误而窒息。我无法将文件加载到内存中……这违背了使用 SAX 解析器的全部目的。所以，不接受我自己的回答。