Discussion :

[SrK]

J'ai un document html que je souhaite convertir en doc Dom4J.

J'ai eu l'erreur suivante

org.dom4j.DocumentException: Error on line 1 of document : Reference is not allowed in prolog. Nested exception: Reference is not allowed in prolog.
at org.dom4j.io.SAXReader.read(SAXReader.java:482)
at org.dom4j.DocumentHelper.parseText(DocumentHelper.java:278)
at MonTest.main(MonTest.java:21)
Nested exception:
org.xml.sax.SAXParseException: Reference is not allowed in prolog.

C'était un "&" qu'il fallait échapper en & amp; pour construire le document.

En XML, il semblerait qu'il y ait 5 caractères à échaper: (gt, lt, quot, amp, apos)

Néanmoins, Comment les échapper sans le faire dans les noeuds des éléments:

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

    <div id="test" class='toto'>A&A<A"A</div>

doit donner:

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
 
    <div id="test" class='toto'>A&amp;A&lt;A&quot;A</div>

et non:

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

    <div id="test" class='toto'>A&A<A"A</div>

Merci,

[tchize_]

dom4j ou les outils DOM en général ne sont pas les meilleurs pour lire l'HTML. Les fichiers html ont bien souvent des erreurs qui les rendent incompatible avec le XML.

Je sais pas à quoi tu pense avec ta dernière proposition qui n'a pas beaucoup de sens, mais en xml, tu dois échapper dans le texte les caractère < > et &, car sinon on ne sais pas faire la différence avec le balisage. Ensuite, parfois t'as besoin d'échapper ' et ", quand c'est conflictuel au niveau des attributs.

[SrK]

J'suis bien conscient qu'il faut échapper le xml avant la construction de celui-ci, ca se fait facilement avec StringEscapeUtils.escapeXML, mais le truc c'est que j'ai pas la main dessus, et qu'on me donne un soit disant XML mais mal formaté et donc qui plante à la construction du dom4j.

Du coup je dois le faire à la main, sauf si j'essaie de me battre pour qu'on me donne l'XML cohérent, mais si ca s'avérait simple j'l'aurais fait de mon côté

[tchize_]

Sauf qu'on a toujours pas vu ce que tu reçois :/


Pour lire du HTML et le corriger, il y a des outils comme tidyHTML, nekoHTML (pour faire un DOM) etc.

Mais il restera des limites à ce qu'on peux faire.

Si tu reçois

<div> La valeur de b est telle que a<b>c</div>

il n'y a aucun moyen pour un outil de savoir si il doit interpréter

<div> La valeur de b est telle que a&lt;b&gt;c</div>

ou

<div> La valeur de b est telle que a<b>c</b></div>

[SrK]

Effectivement, je suis dans le cas ou ca va pas être vraiment interprétable. ( Merci pour les outils DOM, ça peut être utile.

Du coup, j'demande à faire corriger le XML qu'on nous fournie.

Merci.