Erroneous parsing of XML content

Hello,

I’ve noticed that when processing certain XML content, the parser malfunctions. That’s the snippet of the XML document that I am processing:

والجدير بالذكر أن الدورات النقابية المتعاقبة منذ عام 1950م وحتى 2011م بلغت خمسة عشر دورة تتفاوت في آجالها من عام لعامين ولأربعة أعوام ثم خمسة أعوام اعتباراً من دورة 1996_2001 م حسب نصوص القوانين وتطوراته </doc> <doc id="1432834" url="https://ar.wikipedia.org/wiki?curid=1432834" title="ريتا حايك">

However, after parsing the file (either with doc = Jsoup.parse(File f) or doc = Jsoup.parseBodyFragment(String s)), when printing the element’s content (doc.html()), I notice that one doc closing tag turns to a comment closing:

والجدير بالذكر أن الدورات النقابية المتعاقبة منذ عام 1950م وحتى 2011م بلغت خمسة عشر دورة تتفاوت في آجالها من عام لعامين ولأربعة أعوام ثم خمسة أعوام اعتباراً من دورة 1996_2001 م حسب نصوص القوانين وتطوراته </doc--> <doc id="1432834" url="https://ar.wikipedia.org/wiki?curid=1432834" title="ريتا حايك">

Because of that all the remaining content (over 50MB) is loaded as one doc. Does anything come to your mind? Am I doing something wrong or should this be considered a bug?

[wojtuch]

Hi!

The following file is produced by https://github.com/attardi/wikiextractor applied on the arabic wikipedia dump: jsoup-problem.txt

$ file jsoup-problem.txt
jsoup-problem.txt: UTF-8 Unicode text, with very long lines

I guess there is no BOM, I couldn’t find any other unusual tag neither.

[jhy]

(Closing out as we’ve had no other related reports which I would expect if there is an endemic issue - expect this was root-caused by a document flipping around the text order.)