はてなブログをDOM解析しようとしたら、SAXParseException。

あろうことか、本ブログをDOM解析しようとしたら、

SAXParseExceptionが発生してしまい、

DOMを構築できませんでした。

↓↓

取得したレスポンスをInputStreamとして、

そのままDocumentBuilderのparseメソッドに渡しただけです。

エラーログは、

「要素タイプ"html"に関連付けられている属性名"itemscope"の後には、' = '文字が必要です。」

 当はてなブログのHTMLソースを見たところ、

下記の25行目のところ。

htmlタグに確かにitemscopeという属性があります。

困りました。

考えた対策は２つ。

Ａ：InputStreamを文字列化して、該当のitemscopeのところだけ削除する。

削除した後の文字列をDOM解析させる。

Ｂ：DOM解析エラーでも落ちないようなXMLパーサーを探す。

できればＢが見つかって欲しいですね。

Ａは根本的な対処じゃないので、この先解析しようとしたHTMLの構造に不備があると、

その都度対策をしていかないといけないわけで、それは時間がかかりますよ。

Ｂで適度に構造に不備があればスキップしてくれたり、

適当に回避してくれるようなパーサーがあればいいのですが。

ちょっとネットで探してみたところ、IBMさんが詳しい事書いていました。

XML の構文解析でのエラーを処理するこれ読んでＢの方針で対策を考えてみます。

それにしてもはてなブログさん、いきなりやってくれましたね。

itemscopeって何の属性やねんっていう話もありますけど、

正しくはitemscope="itemscope"という記載が正だそうです。

itemscopoeとは、マイクロデータを含んだ要素である事を示す 属性値。

ですが、マイクロデータって何？以降は追わないことにしました。

似た様な記述の仕方に、checked="checked"ってcheckedだけでもええやん。

みたいな話もあります。

解析しようとしたXMLが構造不備の場合なんて、

全然ありますもんね。

そんなの逐一エスケープ処理みたいなことしていたら、

一生が終わってしまいますよ。

なんとかＢの方針でいける方法が見つかって欲しい。