在XML + XSLT中保持实体完整

Question

我使用XSL样式表（使用Apache Xalan）将XML转换为（某种）HTML。在XML中，可以有像—这样的实体，它们必须保持原样。在XML文件的开头，我有一个引用这些实体的doctype。我应该怎样做才能使实体保持不变？

<!DOCTYPE article [
<!ENTITY mdash "&mdash;"><!-- em dash -->
]>

在XML文本中遇到SAXParseException: Recursive entity expansion, 'mdash'时，

给我&mdash。

Answer 1

定义和使用实体的方法是：

<!DOCTYPE xsl:stylesheet [<!ENTITY mdash "&#x2014;">]>
<t>Hello &mdash; World!</t>

使用最简单的XSLT样式表进行处理：

<xsl:stylesheet version="1.0"
 xmlns:xsl="http://www.w3.org/1999/XSL/Transform">
 <xsl:output method="text"/>
</xsl:stylesheet>

生成正确的输出（包含mdash）：

Hello — World!

重要：

在XSLT 2.0中，可以使用<xsl:character-map>指令，以便某些指定字符由实体表示。在这种特殊情况下：

<xsl:stylesheet   version="2.0"
  xmlns:xsl="http://www.w3.org/1999/XSL/Transform"
>
  <xsl:output omit-xml-declaration="yes" 
    use-character-maps="mdash"/>
  <xsl:character-map name="mdash">
    <xsl:output-character character="&#x2014;" string="&amp;mdash;" />
  </xsl:character-map>

</xsl:stylesheet>

当上述转换应用于同一XML文档（如上所示）时，输出为：

Hello — World!

Answer 2

  

我应该怎样做才能让实体保持不变？

你做不到。在使用XSLT进行处理之前，必须通过XML解析器将实体引用解析为其内容，因为它们可能包含XPath需要匹配的元素和其他内容。与DOCTYPE混淆将无效。

但是，如果设置<xsl:output encoding="us-ascii">，则应将后处理文档序列化为ASCII字符集，因此必须将em-dash编码为—。

XSLT 2.0 proposes“字符映射”，它允许您指定所有—字符必须编码为—或任何其他序列，但它无法区分源—中的—和—的{​​{1}}。如果您没有XSLT 2.0，则可以在输出文档上尝试使用简单的字符串替换hack来将—替换为—。这很狡猾，但只要您知道—只会在文本和属性值内容中使用，就可以了。

规则“必须保持原样”通常是值得怀疑的。可怜的HTML解析器确实无法接受普通的Unicode字符，或者在编码信息丢失的最坏情况下，它至少应该能够处理数字字符引用。