Question

我从第三方获得了一个我必须在我的应用程序中导入的XML文件，并且XML包含未转义和未转换的元素。在内部文本中，他们不会解决这个问题！所以我的问题是处理这个问题的最佳方法是什么？

这个XML非常大，而且修复速度必须很快，我的第一个解决方案就是替换＆amp;有＆符号的字符，但实际上我不喜欢这个“解决方案”，原因很明显。我不知道如何使用XmlStringReader与这样的XML，因为在这样的行上抛出异常，所以我不能在内部文本上使用HtmlEncode。我试图将XmlTextReader Settings.CheckCharacters设置为false但没有结果。

以下是样本，＆amp;在元素中，并且在该字段中可以是某些公司名称中的任何内容，因此我的替换修复可能不适用于某些其他公司名称，我想以某种方式使用HtmlEncode，但当然仅在内部文本上。

<komitent ID="001398">
  <sifra>001398</sifra>
  <redni_broj>001398</redni_broj>
  <naziv>LJUBICA & ŽARKO</naziv>
  <adresa1>Odvrtnica 27</adresa1>
  <adresa2></adresa2>
  <drzava>HRVATSKA</drzava>
  <grad>Zagreb</grad>
</komitent>

Answer 1

下面的关键信息是，除非您知道输入文件的确切格式，并保证与XML的任何偏差是一致的，否则您无法以编程方式进行修复，而不会担心您的修补程序不正确。

当且仅在以下情况下，将&替换为&进行修复是可接受的解决方案：

这些数据没有可接受的格式良好的来源。
- 正如@Darin Dimitrov发表评论，试着寻找更好的提供商，或者让这个提供商来修复它。
- JSON（例如）比形成不良的XML更好，即使你没有使用javascript。
这是一次性（或至少非常罕见）的导入。
- 如果您必须在运行时获取此内容，则此解决方案将无效。
您可以继续迭代，为其设计新的修补程序，在遇到问题时为每个问题添加解决方案。
- 您可能会发现，一旦您通过转义&字符“修复”它，就会出现其他错误。
您有资源手动检查“已修复”数据的完整性。
- 您“修复”的错误可能比您意识到的更为微妙。
文档中没有格式正确的实体 -
- 只需将&替换为&，就会错误地将"更改为&quot;。你可能能够解决这个问题，但不要天真地对它有多么棘手（实体可能在DTD中定义，可能指的是unicode代码点......）
- 如果它是一个行为异常的特定元素，您可以考虑使用<![CDATA ]]>包装元素的内容，但这仍然依赖于您能够找到开始和结束标签可靠。

Answer 2

首先改变你的心态。输入不是XML，因此不要将其称为XML。甚至不要使用“xml”标记您的问题。事实上它不是XML意味着您不能使用任何XML工具，并且您无法获得XML数据交换的任何好处。您正在处理没有规范且没有任何工具的专有格式。像对待任何其他专有格式一样对待它 - 尝试发现您获得的规范，并为其编写解析器。

Answer 3

如果你知道文件的标签，并希望“标记”可能有可疑数据的标签内的文字，你可以这样做：

private static string FixBadXmlText(string xmlText)
{           
    var unreliableTextTags = new[] { "message", "otherdata", "stacktrace", "innerexception" };

    foreach(var tag in unreliableTextTags)
    {
        string openTag = "<" + tag + ">";
        string closeTag = "</" + tag + ">";
        xmlText = xmlText.Replace(openTag, openTag + "<![CDATA[").Replace(closeTag, "]]>" + closeTag);
    }

    return xmlText;
}

CDATA Section（<![CDATA[ {your text here} ]]>）内的任何内容都不会被XML解析器解释，因此不需要进行转义。当我想解析一些没有正确转义输入的糟糕的XML时，这对我有所帮助。

Answer 4

由于您的起始XML是错误的，因此无法使用任何XmlReaders，因为它们无法正确读取它。

如果只有XML节点的值不是htmlEncoded，那么你必须手动读取行，解析（获取xml节点名称及其值），编码并输出到新文件。

我们经常会遇到类似的情况所以我理解你的痛苦 - 大部分时间，错误都有一些“规则”，所以我猜这里他们没有编码商业名称（也许是街道名称），所以你可以只搜索那个字符串<naziv>，它正在关闭标签</naziv>和HtmlEncode之间的所有内容。此外，由于它的商业名称，它不会有换行符，这可以让你的生活相当轻松......

Answer 5

您可以尝试使用正则表达式，具体取决于结构的复杂程度：

Regex mainSplitter = new Regex("<komitent ID=\"([0-9]*)\">(.*?)</komitent>");
Regex nazivFinder = new Regex("<naziv>(.*?)</naziv>");

foreach (Match item in mainSplitter.Matches(test))
{
    Console.WriteLine(item);

    string naziv = null;

    Match node = nazivFinder.Match(item.Groups[2].Value);
    if (node != null)
        naziv = node.Groups[1].Value;
}

Answer 6

您可以将文件作为XPL处理，甚至使用XPL解析器将这些文件转换为有效的XML。 XPL（可扩展进程语言）就像XML一样，但解析器允许XML在文本字段中使用“特殊字符”。因此，您实际上可以通过XPL进程运行无效的XML文件（由于特殊字符而无效）。在某些情况下，您可以使用XPL处理器而不是XML处理器。您还可以使用它来预处理无效文件，而不会造成任何性能损失。 Artificial Intelligence, XML, and Java Concurrency

修复错误的XML文件（例如，未转义和等等）

6 个答案: