从链接检索页面正文后，验证内容是否为xml的最有效方式是什么？
目前我正在测试正则表达式/xmlns/的文本，但是如果数据集足够大，我相信这会导致偶然的误报。有谁知道更好的解决这个问题的方法？
我正在使用Ruby编程语言，如果这有任何不同。
答案 0 :(得分：1)
如果文档包含<feed xmlns="http://www.w3.org/2005/Atom">，则可能是原子Feed，或者您可以搜索</feed>。
如果文档包含</rss>，则可能是rss Feed。
正则表达式是你的朋友。
答案 1 :(得分：1)
XML应该以{{1}}或<?xml（but they don't have to开头，感谢Mike Sokolov，因为这一点上的头部优势:)所以你可能想要检查
<!DOCTYPE原谅。
然后，如果第一个元素是
/\A\s*(<\?xml|<!DOCTYPE)?/
你有一个Atom feed。
如果第一个元素是
<feed xmlns="http://www.w3.org/2005/Atom">
（可能有额外的<rdf:RDF xmlns:rdf="http://www.w3.org/1999/02/22-rdf-syntax-ns#" xmlns="http://purl.org/rss/1.0/">
个属性）然后你有一个RSS 1.0 feed。
如果第一个元素是
xmlns（同样可能有<rss version="2.0">
个属性）然后你有一个RSS 2.0 feed。
您可能不需要担心各种0.9 *版本。因此，请检查XML标头，然后检查以上三个元素之一（可能有额外的属性），其中包含一些松散的正则表达式（正常情况，可能太松散）：
xmlns您将能够在没有太多开销的情况下发现Feed。
您可能希望跟踪被拒绝的内容一段时间，然后通过完整的解析器运行拒绝，以确保您没有遗漏任何内容。标准通常被认为是“粗略的建议”，所以你会在野外遇到很多奇怪的事情。
答案 2 :(得分：1)
最好的方法是查看HTTP Content-Type标头。这通常是以下之一：text / html，text / xml或text / xhtml，当然，在野外任何事情都可以。
检查内容，如果需要，你应该可以查找xml声明，但是因为xml文档不需要它，即使它存在，一些html文档也是 xml文档，所以这不会告诉你太多。
查看内容的最佳位置可能是＆lt; DOCTYPE＆gt;宣言。对于html，这通常是：
<!DOCTYPE HTML PUBLIC "-//W3C//DTD HTML 4.01//EN" "http://www.w3.org/TR/html4/strict.dtd">
但您当然会在该基本主题上找到许多变体。
要看的另一件事是文档的根元素：如果有local-name =“html”;即看起来这是一个非常好的标志，你正在处理HTML。
“xmlns”的存在并不反映html;许多html文档都包含名称空间。它们通常作为html文档的标准部分生成，并且是使用嵌入在html中的mathml和svg所必需的。