如何使用C#从XML中删除重复的属性

Question

我正在解析来自第三方提供商的一些XML文件，不幸的是，有时一些元素包含重复属性，导致XML不是格式良好的。

我无法控制源，并且事先不知道哪些元素可能具有重复属性，也不知道重复属性名称。

显然，将内容加载到XMLDocument对象中会在重复属性上引发XmlException，因此我认为可以使用XmlReader逐个步进XML元素，并在到达有问题的元素时处理重复属性。

然而，在读取器读取（reader.Read()）之前，XmlException就被引发了 - 我没有机会检查元素的属性。

以下是演示此问题的示例方法：

public static void ParseTest()
{
    const string xmlString = 
        @"<?xml version='1.0'?>
        <!-- This is a sample XML document -->
        <Items dupattr=""10"" id=""20"" dupattr=""33"">
            <Item>test with a child element <more/> stuff</Item>
        </Items>";

    var output = new StringBuilder();
    using (XmlReader reader = XmlReader.Create(new StringReader(xmlString)))
    {
        XmlWriterSettings ws = new XmlWriterSettings();
        ws.Indent = true;
        using (XmlWriter writer = XmlWriter.Create(output, ws))
        {
            while (reader.Read())   /* Exception throw here when Items element encountered */
            {
                switch (reader.NodeType)
                {
                    case XmlNodeType.Element:
                        writer.WriteStartElement(reader.Name);
                        if (reader.HasAttributes){ /* CopyNonDuplicateAttributes(); */}
                        break;
                    case XmlNodeType.Text:
                        writer.WriteString(reader.Value);
                        break;
                    case XmlNodeType.XmlDeclaration:
                    case XmlNodeType.ProcessingInstruction:
                        writer.WriteProcessingInstruction(reader.Name, reader.Value);
                        break;
                    case XmlNodeType.Comment:
                        writer.WriteComment(reader.Value);
                        break;
                    case XmlNodeType.EndElement:
                        writer.WriteFullEndElement();
                        break;
                }
            }

        }
    }
    string str = output.ToString();
}

有没有其他方法可以解析输入并去除重复属性，而无需使用正则表达式和字符串操作？

- Catch22

---

只有当XML处理器API提供任何挂钩以允许您挂钩进入处理并处理错误条件时，才可能实现。 - Ankur

有趣的问题，期待看到解决方案！ - Kieren Johnstone

我认为你的问题已经在这里得到了答案：http://stackoverflow.com/questions/4085065/xml-linq-removing-duplicate-nodes-in-xelement-c - saj

使用XML无法解决此问题，因为您的输入不是XML。您说您无法控制输入，但您是否可以至少让您的上级意识到您的供应商没有向您发送XML？您是否可以确保您的供应商知道这一点？任何愚蠢到发送此数据的组织可能也愚蠢到没有意识到它不是XML。 - John Saunders

-1：不是的，那个问题是关于根据属性值删除重复元素的。而这个问题是关于“元素”具有多个相同属性的副本，比如<e a="1" a="2"/>，这不是XML。 - John Saunders

我想这是有道理的。所以我已经将内容视为字符串进行处理，在解析为XML之前对其进行清理。结果发现，供应商提供的XML文件中只有一个有问题的属性，而其他10,000行都是干净的。 - Catch22

Answer 1

我通过将XML视为HTML文档来找到了解决方案。然后使用开源的Html Agility Pack库，我能够获取有效的XML。

诀窍是首先保存具有HTML头的xml。
因此，用如下HTML声明替换XML声明
<?xml version="1.0" encoding="utf-8" ?>
像这样的HTML声明：
!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Transitional//EN" "http://www.w3.org/TR/xhtml1/DTD/xhtml1-transitional.dtd"> 一旦内容保存到文件中，此方法将返回一个有效的XML文档。

// Requires reference to HtmlAgilityPack
public XmlDocument LoadHtmlAsXml(string url)
{
    var web = new HtmlWeb();

    var m = new MemoryStream();
    var xtw = new XmlTextWriter(m, null);

    // Load the content into the writer
    web.LoadHtmlAsXml(url, xtw);

    // Rewind the memory stream
    m.Position = 0;

    // Create, fill, and return the xml document
    XmlDocument xmlDoc = new XmlDocument();
    xmlDoc.LoadXml((new StreamReader(m)).ReadToEnd());
    return xmlDoc;
}

重复的属性节点会被自动移除，后面的属性值将覆盖前面的值。

- Catch22

---

非常感谢！这将为我们的支持团队节省大量手动编辑的时间。 - DylanSp

Answer 2

好的，我认为你需要捕获错误：

然后你应该能够使用以下方法：

reader.MoveToFirstAttribute();

并且

reader.MoveToNextAttribute()

获取以下属性：

reader.Value
reader.Name

这将使您能够获取所有属性值。

- openshac

---

我可以捕获错误并处理当前节点上的属性（即复制非重复项），但问题在于继续处理文档的其余部分，因为reader.Read()返回false，所以不会处理更多元素。 - Catch22

#Catch22，是的，在尝试恢复代码时我遇到了这个问题。我希望你能找到解决方法。请看这里：http://bytes.com/topic/c-sharp/answers/827965-how-handle-xml-parsing-exception ，看起来XMLReader对错误很敏感是有原因的。这通常是好消息，但在你的情况下，这意味着我的建议可能行不通。抱歉。 - openshac