Question

我有一个用C＃编写的Windows桌面应用程序，它循环存储在磁盘上并由第三方程序创建的一堆XML文件。大多数所有文件都由此语句后面的LINQ代码成功加载和处理：

XDocument xmlDoc = XDocument.Load(inFileName);
List<DocMetaData> docList =
      (from d in xmlDoc.Descendants("DOCUMENT")
       select new DocMetaData
       {
      File = d.Element("FILE").SafeGetAttributeValue("filename")
         ,
      Folder = d.Element("FOLDER").SafeGetAttributeValue("name")
         ,
      ItemID = d.Elements("INDEX")
          .Where(i => (string)i.Attribute("name") == "Item ID(idmId)")
          .Select(i => (string)i.Attribute("value"))
          .FirstOrDefault()
         ,
      Comment = d.Elements("INDEX")
          .Where(i => (string)i.Attribute("name") == "Comment(idmComment)")
          .Select(i => (string)i.Attribute("value"))
          .FirstOrDefault()
         ,
      Title = d.Elements("INDEX")
          .Where(i => (string)i.Attribute("name") == "Title(idmName)")
          .Select(i => (string)i.Attribute("value"))
          .FirstOrDefault()
         ,
      DocClass = d.Elements("INDEX")
          .Where(i => (string)i.Attribute("name") == "Document Class(idmDocType)")
          .Select(i => (string)i.Attribute("value"))
          .FirstOrDefault()
       }
      ).ToList<DocMetaData>();

...其中inFileName是一个完整的路径和文件名，例如：

     Y:\S2Out\B0000004\Pet Tab\convert.B0000004.Pet Tab.xml

但是有些文件会导致这样的问题：

System.Xml.XmlException: Invalid character in the given encoding. Line 52327, position 126.
at System.Xml.XmlTextReaderImpl.Throw(Exception e)
at System.Xml.XmlTextReaderImpl.Throw(String res, String arg)
at System.Xml.XmlTextReaderImpl.InvalidCharRecovery(Int32& bytesCount, Int32& charsCount)
at System.Xml.XmlTextReaderImpl.GetChars(Int32 maxCharsCount)
at System.Xml.XmlTextReaderImpl.ReadData()
at System.Xml.XmlTextReaderImpl.ParseAttributeValueSlow(Int32 curPos, Char quoteChar, NodeData attr)
at System.Xml.XmlTextReaderImpl.ParseAttributes()
at System.Xml.XmlTextReaderImpl.ParseElement()
at System.Xml.XmlTextReaderImpl.ParseElementContent()
at System.Xml.XmlTextReaderImpl.Read()
at System.Xml.Linq.XContainer.ReadContentFrom(XmlReader r)
at System.Xml.Linq.XContainer.ReadContentFrom(XmlReader r, LoadOptions o)
at System.Xml.Linq.XDocument.Load(XmlReader reader, LoadOptions options)
at System.Xml.Linq.XDocument.Load(String uri, LoadOptions options)
at System.Xml.Linq.XDocument.Load(String uri)
at CBMI.WinFormsUI.GridForm.processFile(StreamWriter oWriter, String inFileName, Int32 XMLfileNumber) in C:\ProjectsVS2010\CBMI.LatitudePostConverter\CBMI.LatitudePostConverter\CBMI.WinFormsUI\GridForm.cs:line 147
at CBMI.WinFormsUI.GridForm.btnProcess_Click(Object sender, EventArgs e) in C:\ProjectsVS2010\CBMI.LatitudePostConverter\CBMI.LatitudePostConverter\CBMI.WinFormsUI\GridForm.cs:line 105

XML文件看起来像这样（此示例仅显示2个DOCUMENT元素，但有很多）：

<?xml version="1.0" ?>
<DOCUMENTCOLLECTION>
   <DOCUMENT>
       <FILE filename="e:\S2Out\B0000005\General\D003712420.0001.pdf" outputpath="e:\S2Out\B0000005\General"/>
       <ANNOTATION filename=""/>
       <INDEX name="Comment(idmComment)" value=""/>
       <INDEX name="Document Class(idmDocType)" value="General"/>
       <INDEX name="Item ID(idmId)" value="003712420"/>
       <INDEX name="Original File Name(idmDocOriginalFile)" value="Matrix Aligning 603.24 Criteria to Petition Pages.pdf"/>
       <INDEX name="Title(idmName)" value="Matrix for 603.24"/>
       <FOLDER name="/Accreditation/PASBVE/2004-06"/>
   </DOCUMENT>
   <DOCUMENT>
       <FILE filename="e:\S2Out\B0000005\General\D003712442.0001.pdf" outputpath="e:\S2Out\B0000005\General"/>
       <ANNOTATION filename=""/>
       <INDEX name="Comment(idmComment)" value=""/>
       <INDEX name="Document Class(idmDocType)" value="General"/>
       <INDEX name="Item ID(idmId)" value="003712442"/>
       <INDEX name="Original File Name(idmDocOriginalFile)" value="Contacts at NDU.pdf"/>
       <INDEX name="Title(idmName)" value="Contacts at NDU"/>
       <FOLDER name="/Accreditation/NDU/2006-12/Self-Study"/>
   </DOCUMENT>

LINQ语句有其自身的复杂性，但我认为它的工作正常;失败的是LOAD。我已经查看了XDocument Load的各种构造函数，并且我已经研究了抛出此异常的其他一些问题，但我对如何防止这种情况感到困惑。

最后，在第52327行，第126位，在无法加载的文件中，似乎第52327行的这些数据不应该导致问题（并且最后一个字符位于第103位！

<FILE filename="e:\S2Out\B0000004\Pet Tab\D003710954.0001.pdf" outputpath="e:\S2Out\B0000004\Pet Tab"/>

Answer 1

为了控制编码（一旦你知道它是什么），你可以使用接受Load的{{1}}方法覆盖来加载文件。

然后，您可以针对您的文件创建新的Stream，在构造函数中指定相应的StreamReader。

例如，要使用西欧编码打开文件，请在问题中替换以下代码行：

Encoding

使用此代码：

XDocument xmlDoc = XDocument.Load(inFileName);

支持的编码列表可在MSDN documentation。

中找到

Answer 2

不确定这是否是您的情况，但这可能与给定编码的无效字节序列有关。示例：http://en.wikipedia.org/wiki/UTF-8#Invalid_byte_sequences。

尝试在加载时从文件中过滤无效序列。

Answer 3

因为XmlDocument在遇到未编码的字符时加载整个事件，所以它会中止整个过程。如果要处理尽可能的内容并跳过/记录duff位，请查看XmlTextReader。从Filestream加载的XmlTextReader将一次加载一个节点，因此它也将使用更少的内存。你甚至可以聪明地将事情拆分并平行处理。

当我有这个时，它就像那里的重音字符：严重，尖锐，变形金刚等。

我没有任何自动化过程，所以通常我只是在Visual Studio中加载文件并编辑坏人，直到没有任何波浪形状。这个理论虽然合理。

Answer 4

引用的文件包含对文件名有效的字符，但在XML属性中无效。你有几个选择。

您可以更改文件名并重新运行第三方脚本。
您可以与供应商合作，提供一个可以安全编码违规字符的补丁。
您可以在处理之前预先验证XML文档并删除有问题的条目。

如何防止System.Xml.XmlException：给定编码中的字符无效

4 个答案: