Question

我有一个XML文件，我想查找具有重复CDATA的节点。是否有任何工具可以帮助我做到这一点？

我可以使用一种通常用于文本文档的工具。

Answer 1

这是第一次尝试，用Python编写并仅使用标准库。您可以通过多种方式对其进行改进（修剪前导和结束空白，计算文本的散列以减少内存需求，更好地显示元素，使用行号等）：

import xml.etree.ElementTree as ElementTree
import sys

def print_elem(element):
    return "<%s>" % element.tag

if len(sys.argv) != 2:
    print >> sys.stderr, "Usage: %s filename" % sys.argv[0]
    sys.exit(1)
filename = sys.argv[1]    
tree = ElementTree.parse(filename)
root = tree.getroot()
chunks = {}
iter = root.findall('.//*')
for element in iter:
    if element.text in chunks:
        chunks[element.text].append(element)
    else:
        chunks[element.text] = [element,]
for text in chunks:
    if len(chunks[text]) > 1:
        print "\"%s\" is a duplicate: found in %s" % \
              (text, map(print_elem, chunks[text]))

如果你给它这个XML文件：

<foo>
<bar>Hop</bar><quiz>Gaw</quiz>
<sub>
<und>Hop</und>
</sub>

它会输出：

"Hop" is a duplicate: found in ['<bar>', '<und>']

Answer 2

从来没有听说过这样的事情，但是根据档案馆中使用的dictionary coder编写这样的程序可能是一项有趣的任务。

Answer 3

不容易。我的第一个想法是XSLT，但它很难实现。您必须遍历每个节点，然后在具有相同数据的每个节点上执行XPATH选择。那会找到它们，但是你最后也会用相同的数据处理所有节点（也就是说，无法跟踪你已经处理过的节点数据并忽略它）。你可以使用真正的编程语言来完成它，但这超出了我的经验。

Answer 4

您可以编写一个简单的C＃应用程序，它使用Linq将所有节点作为单独的实体读取两次，然后查找所有相等的值。

Answer 5

A very similar question（在这一个之后一年提出问题）有一些非常好的工具可以在同一个文件中区分块，包括Atomiq。

在文本（XML）文件中查找重复节的工具？

5 个答案: