Question

我有很多需要解析的长文档。文档格式类似于XML，但实际上不是xml。

以下是一个例子：

<DOC>
    <TEXT>it's the content P&G</TEXT>
</DOC> 
<DOC>
    <TEXT>it's antoher</TEXT>
</DOC>

请注意，xml中有多个根标记 - <DOC>，实体&应为&。

因此，上述文件不是标准的xml。

我可以使用XmlDocument来解析文件，还是应该编写自己的解析器？

Answer 1

你所说的有点不正确 - 这是“非标准XML”。该文档不 XML。周期。

您无法使用XmlDocument或任何其他XML解析器将其解析为完整文档。

在尝试使用XML解析器解析之前，您需要确保拥有有效的XML。

所以 - 在这种情况下，要么在根元素中扭曲文档，要么将其分解为多个文档。在任何一种情况下，您都需要确保正确编码特殊字符（引号，符号等）。

oakio的answer通过将文档视为XML片段来帮助您解决问题，但这仍然无法解决无效内容，例如未转义的＆符号。

Answer 2

正如@Oded所说，这不是一个XML文档 - 只是一些文本。

然而，通过一些预解析，您可以将其转换为：

将整个事物包装在新的根节点中：

<DOCS>
    <DOC>
        <TEXT>it's the content P&G</TEXT>
    </DOC> 
    <DOC>
        <TEXT>it's antoher</TEXT>
    </DOC>
<DOCS>

搜索不允许的字符并替换为其实体（例如'和&）。

正如评论中所指出的，您应首先替换&以避免双重编码（即以'amp;结尾）

您可能必须通过字符串操作来执行此操作，具体取决于您从何处获取数据。

Answer 3

是的，但您应该设置XmlReaderSettings.ConformanceLevel：

XmlReaderSettings settings = new XmlReaderSettings()
{
    ConformanceLevel = ConformanceLevel.Fragment
};
using (XmlReader reader = XmlReader.Create(stream, settings))
{
    //TODO: read here
}

更多：http://msdn.microsoft.com/en-us/library/system.xml.xmlreadersettings.conformancelevel.aspx）

C＃如何解析非标准的xml

3 个答案: