如何解析节点名称中包含无效字符的 XML？

Posted 2023-04-12

【中文标题】如何解析节点名称中包含无效字符的 XML？

【英文标题】：How To Parse XML With Invalid Characters in Node Name?

【发布时间】：2010-11-07 08:01:29

【问题描述】：

所以我试图解析一些 XML，但它的创建不受我的控制。问题是，他们不知何故得到了如下所示的节点：

<ID_INTERNAL_FEAT_FOCUSED_EXPERTISE_(MORNINGSTAR) />
<ID_INTERNAL_FEAT_FOCUSED_EXPERTISE_(QUARTERSTAFF) />
<ID_INTERNAL_FEAT_FOCUSED_EXPERTISE_(SCYTHE) />
<ID_INTERNAL_FEAT_FOCUSED_EXPERTISE_(TRATNYR) />
<ID_INTERNAL_FEAT_FOCUSED_EXPERTISE_(TRIPLE-HEADED_FLAIL) />
<ID_INTERNAL_FEAT_FOCUSED_EXPERTISE_(WARAXE) />

Visual Studio 和 .NET 都认为上面使用的 '(' 和 ')' 字符完全无效。不幸的是，我需要处理这些文件！有没有办法让 Xml Reader 类在看到这些字符时不会惊慌失措，或者动态地逃避它们或其他什么？我可以对整个文件进行某种预处理，但如果 '(' 和 ')' 字符以某种有效方式出现在节点内，我确实想要它们，所以我不想将它们全部删除。 ..

【问题讨论】：

如果无效则不是 XML。时期。将其作为文本处理。

此文件看起来应该在发送到 xml 解析器之前由其他工具进行预处理。 ID_INTERNAL_FEAT_FOCUSED_EXPERTISE_(MORNINGSTAR) 看起来像是在查找实际应该存在的内容。

【参考方案1】：

这根本是无效的。预处理是您最好的选择，也许使用正则表达式 - 类似于：

string output = Regex.Replace(input, @"(<\w+)\((\w+)\)([ >/])", "$1$2$3");

编辑：替换括号内的“-”有点复杂：

string output = Regex.Replace(input, @"(<\w+)\(([-\w]+)\)([ >/])",
    delegate(Match match) 
        return match.Groups[1].Value + match.Groups[2].Value.Replace('-', '_')
             + match.Groups[3].Value;
    );

【讨论】：

我会尽量使用最严格的正则表达式

@Dolphin - 愿意提供具体建议吗？

正则表达式大部分工作，但不知何故，上例中的倒数第二个节点在 '(' 和 ')' 完好无损的情况下仍然存在：\

谢谢。我是这个 XML 文档的第三方，所以我不能要求修复它。但是使用正则表达式，现在它可以工作了。

【参考方案2】：

如果它在语法上无效，则不是 XML。

XML 对此非常严格。

如果您无法让发送应用程序发送正确的 XML，那么只需让他们知道无论下游进程看到此将失败，无论是您的还是其他人未来的其他应用程序。

如果预处理不是一个选项，另一种巧妙的机制是包装Stream 对象，该对象使用自定义流传递给解析器。该流可以寻找< 字符，当它看到一个时，设置一个标志。在看到> 字符之前，它可以吃掉任何( 或) 字符。我们已经使用类似这样的方法来消除通过旧传输机制添加到 XML 文件中的 NUL 和 ^Z 字符。 （唯一的问题可能是属性内有 < 字符，因为它们不必在那里转义 - 只有 > 字符可以。）