Jsoup XML解析器处理XML声明尾部问号的问题分析

问题背景

在Jsoup项目从1.17.1版本升级到1.19.1版本后，用户发现原本能够正常解析的XML文件开始出现解析错误。具体表现为当XML声明部分<?xml version="1.0"?>的问号?与结束标记>之间没有空格时，解析器会抛出"Unexpected character '?'"的错误。

问题现象

用户提供的XML文件示例开头如下：

<?xml version="1.0"?>
<catalogs xmlns="http://acalog.com/catalog/1.0">
</catalogs>

当使用Jsoup XML解析器解析时，会报错：

Unexpected character '?' in input state [AfterAttributeValue_quoted]

技术分析

XML声明语法规范

根据W3C XML 1.0规范，XML声明(processing instruction)的语法格式为：

<?xml version="1.0" encoding="UTF-8" standalone="yes"?>

其中：

1. 必须以<?xml开头
2. 必须包含version属性
3. 可选的encoding和standalone属性
4. 必须以?>结束

规范并没有强制要求?和>之间必须有空格，因此<?xml version="1.0"?>和<?xml version="1.0" ?>在语法上都是合法的。

Jsoup解析器行为变化

在Jsoup 1.17.1版本中，解析器能够正确处理没有空格的XML声明。但在1.19.1版本中，解析器状态机在处理完属性值后(AfterAttributeValue_quoted状态)，直接遇到了?字符，导致解析失败。

这种变化可能是由于解析器在版本升级过程中对XML规范严格性的调整，或者是在重构过程中引入的意外行为变更。

解决方案

仓库所有者(jhy)已经确认并修复了这个问题。修复后的版本应该能够正确处理以下两种形式的XML声明：

1. 无空格形式：<?xml version="1.0"?>
2. 有空格形式：<?xml version="1.0" ?>

开发者建议

对于使用Jsoup XML解析器的开发者，建议：

1. 如果遇到类似问题，可以暂时在XML声明中的?前添加空格作为临时解决方案
2. 关注Jsoup的版本更新，及时升级到修复此问题的版本
3. 在单元测试中增加对XML声明格式的测试用例，确保解析器兼容性

总结

XML解析器的实现需要严格遵循规范，同时也要考虑实际应用中的各种使用场景。Jsoup团队及时响应并修复了这个问题，体现了开源项目对用户反馈的重视。开发者在使用XML解析器时，应当注意不同版本间的行为差异，并在升级前做好充分的测试验证。