DOM Parser解析XML出现&相关实体引用错误该如何解决

标准DOM Parser严格遵循W3C XML规范，默认不支持关闭实体合法性校验，未转义的&本身不属于格式良好的XML内容，因此无法通过标准DOM Parser的原生配置直接跳过该校验，可采用以下三种方案解决：

方案1：内存中预处理XML内容（最通用） #

不需要修改原XML文件，只需将文件内容读取到内存后，通过正则匹配替换单独出现的未转义&即可，注意要避开已经正确转义的实体，避免重复转义：
示例正则规则：&(?!(amp|lt|gt|quot|apos);)
该正则会匹配所有后面没有跟随合法XML实体名的&，将匹配到的内容替换为&后再传给DOM Parser解析即可。

该方案适配所有语言和DOM Parser实现，对业务逻辑侵入性最低。

方案2：使用容错型XML解析库 #

多数编程语言都有支持格式容错的XML解析实现，会自动修复未转义&、未闭合标签等常见的XML格式错误，无需自行处理字符替换：

• Java生态可选用Jsoup的XML解析模式、Apache NekoHTML解析器，开启容错配置即可
• Python生态可使用lxml库，初始化XMLParser时传入recover=True参数即可自动修复格式错误
• 其他语言均有对应的同类容错解析工具可直接使用

方案3：流层面字符过滤（适合超大XML文件） #

如果需要处理的XML文件体积过大，全量读取到内存做替换会占用过多资源，可以在文件读取流和DOM Parser之间加一层自定义字符过滤流，在流式读取的过程中动态替换未转义的&，无需加载全量文件到内存。

不建议通过反射修改标准DOM Parser的校验逻辑、或修改底层XML规范实现，这类改法兼容性极差，后续遇到合法实体引用、自定义实体场景时极易出现解析异常。

内容的提问来源于stack exchange，提问作者Madhusudhan