解析包含非法字符的XML

Question

我从服务器收到的消息包含标签，标签中包含我需要的数据。

我尝试将有效负载解析为 XML ，但会生成非法字符异常。

我还使用httpUtility和Security Utility来逃避非法字符，唯一的问题是，它将转义解析 XML所需的< >

我的问题是，当其中包含的数据包含非法的非 XML 字符时，如何解析 XML ？ (& -> amp;) _

感谢。

示例：

<item><code>1234</code><title>voi hoody & polo shirt + Mckenzie jumper</title><description>Good condition size small - medium, text me if interested</description></item>

Answer 1

如果您只有&作为无效字符，则可以使用正则表达式将其替换为&。我们使用正则表达式来阻止替换现有的&，"，o等符号。

正则表达式可以如下：

&(?!(?:lt|gt|amp|apos|quot|#\d+|#x[a-f\d]+);)

示例代码：

string content = @"<item><code>1234 &amp; test</code><title>voi hoody & polo shirt + Mckenzie jumper&other stuff</title><description>Good condition size small - medium, text me if interested</description></item>";
content = Regex.Replace(content, @"&(?!(?:lt|gt|amp|apos|quot|#\d+|#x[a-f\d]+);)", "&amp;", RegexOptions.IgnoreCase);
XElement xItem = XElement.Parse(content);

Answer 2

这是比Regex更通用的解决方案。首先声明一个数组，将要替换的每个无效字符与编码版本一起存储到其中：

var invalidChars = new [] { '&', other chars comes here.. };

然后读取所有xml作为整个文本：

var xmlContent = File.ReadAllText("path");

然后使用LINQ和HttpUtility.HtmlEncode替换无效字符：

var validContent = string.Concat(xmlContent
        .Select(x =>
        {
            if (invalidChars.Contains(x)) return HttpUtility.HtmlEncode(x);
            return x.ToString();
        }));

然后使用XDocument.Parse解析它，就是全部。

Answer 3

不要将其称为＆＃34;包含非法字符的XML＆＃34;。它不是XML。您不能使用XML工具来处理不是XML的东西。

当您收到错误的XML时，最好的方法是找出生成的位置和时间，并在源头修复问题。

如果你不能这样做，你需要找到一些方法使用非XML工具（例如自定义perl脚本）来修复XML，然后再将它放在XML解析器附近。您这样做的方式取决于您需要修复的错误的性质。