通过文件系统从XML解析和删除BOM / Preamble

Question

我正在处理XBRL文件，并遇到一堆开始时具有字节顺序标记（BOM）的文件。如果手动删除它，则可以毫无问题地处理该文件。

我从读取的XML文件的开头删除BOM的几次尝试失败。

这是我收到的错误消息：

  

根级别的数据无效。第1行，位置1。

最初，我使用的是XDocument.Load(filename)，但是由于相同的错误而失败，因此我在从Parsing xml string to an xml document fails if the string begins with <?xml... ?> section获得建议后修改了代码，但没有成功。

void Main()
{
    XDocument doc;
    var @filename = @"C:\accounts\toprocess\2008\Prod224_8998_00741575_20080630.xml";
    byte[] file = File.ReadAllBytes(filename);
    using (MemoryStream memory = new MemoryStream(file))
    {
        using (XmlTextReader oReader = new XmlTextReader(memory))
        {
            doc = XDocument.Load(oReader);
        }
    }
}

可以在以下位置找到XML文件：http://s000.tinyupload.com/download.php?file_id=92333278767554773703&t=9233327876755477370347742

Answer 1

C3 AF C2 BB C2 BF看起来是双重UTF-8编码的BOM。 BOM的UTF-8编码为EF BB BF。如果将每个字符都视为一个单独的字符并使用UTF-8编码，那么最终将得到所看到的序列。

因此，您的文档已损坏。正在采取包含UTF-8 BOM的文档并将其视为扩展ASCII。如果您无法将文件固定在源头，我将倾向于在文件的开头查找该特定序列，如果有的话，将其剥离。

如果相关文档使用其他扩展ASCII字符，则很有可能也会被破坏。

Answer 2

序列C3 AF C2 BB C2 BF看起来不像任何BOM。

如果它是一致的（在长度上）等，您可能应该调查它是什么。

就这样，您可以简单地跳过前6个字节：

using (var stream = File.Open(fileName, FileMode.Open))
{
    stream.Seek(6, SeekOrigin.Begin);
    var doc = XDocument.Load(stream);
    // ...use it
}