Jsoup parse throws ArrayIndexOutOfBoundsException

Question

我想解析一个html字符串。它如下引发异常。 内容长度大于65536，这是什么问题？谢谢！

Exception in thread "main" java.lang.ArrayIndexOutOfBoundsException: 66467 
    at org.jsoup.parser.CharacterReader.nextIndexOf(CharacterReader.java:92) 
    at org.jsoup.parser.CharacterReader.containsIgnoreCase(CharacterReader.java:277) 
    at org.jsoup.parser.TokeniserState$11.read(TokeniserState.java:219) 
    at org.jsoup.parser.Tokeniser.read(Tokeniser.java:42) 
    at org.jsoup.parser.TreeBuilder.runParser(TreeBuilder.java:47) 
    at org.jsoup.parser.TreeBuilder.parse(TreeBuilder.java:41) 
    at org.jsoup.parser.HtmlTreeBuilder.parse(HtmlTreeBuilder.java:37) 
    at org.jsoup.parser.Parser.parse(Parser.java:90) 
    at org.jsoup.Jsoup.parse(Jsoup.java:58) 
    at myproject.MyIndexer.getTitle(MyIndexer.java:137) 
    at myproject.MyIndexer.indexDocs(MyIndexer.java:115) 
    at myproject.MyIndexer.main(MyIndexer.java:80) 

Answer 1

这应该不是原因。 nextIndexOf()仅使用整数：

int nextIndexOf(CharSequence seq) { 
    // doesn't handle scanning for surrogates 
    char startChar = seq.charAt(0); 
    for (int offset = pos; offset < length; offset++) { 
     // scan to first instance of startchar: 
     if (startChar != input[offset]) 
      while(++offset < length && startChar != input[offset]); 
     if (offset < length) { 
      int i = offset + 1; 
      int last = i + seq.length()-1; 
      for (int j = 1; i < last && seq.charAt(j) == input[i]; i++, j++);  /* Line 92 */ 
      if (i == last) // found full sequence 
       return offset - pos; 
     } 
    } 
    return -1; 
} 

（我makred其中异常被抛出92行）现在

，int在Java有一个范围-2.147.483.648到2.147.483.647。 65536仅与您使用unsigned short（在Java中不可用）相关。

请检查...

• 如果您的输入有效的HTML
• 如果此异常甚至长度较短HTML抛出
• 如果你的代码可以影响解析
• ，如果您有您的html中的任何非Unicode字符 - 与int - char类型相反，只有16位（即上限为65535！）

你也可以在调试中运行你的程序，并在引发exeption后检查变量。尤其值得注意的是seq.charAt(j)和input[i]。