解析包含非法字符的XML

Question

我从服务器收到的一条消息包含标签，而在标签中是我需要的数据。

我试图将负载解析为XML，但会生成非法字符异常。

我还使用了httpUtility和Security Utility来转义非法字符，唯一的问题是它会转义< >，而这些字符是解析XML所必需的。

我的问题是，当数据中包含非法的非XML字符时，我该如何解析XML? (& -& gt; amp;)_

谢谢。

示例:

<item><code>1234</code><title>voi hoody & polo shirt + Mckenzie jumper</title><description>Good condition size small - medium, text me if interested</description></item>

- mitchellt

---

您的XML文档格式不正确。服务器必须发送正确的数据。如果可能，请尝试在服务器端进行修复。描述必须是“CDATA”。 - Hamlet Hakobyan

既然你尝试解析的不是XML，那么你需要采取非标准的方式来解决问题。我建议修复源代码。 - spender

是的，关于服务器我无能为力。我正在尝试绕过创建自定义读取器的想法。我想通过使用XML来作弊，不知道有没有人知道如何解决上述问题。如果不行的话，看起来我必须创建自己的自定义读取器。即在标签之间阅读的读取器。 - mitchellt

你可以尝试使用 string.Replace() 方法来修复所有非法字符。 - Chuck Savage

Answer 1

如果你只有一个非法字符&，那么你可以使用正则表达式将其替换为&。我们使用正则表达式来防止已存在的符号&、"、o等被替换。

正则表达式如下：

&(?!(?:lt|gt|amp|apos|quot|#\d+|#x[a-f\d]+);)

示例代码：

string content = @"<item><code>1234 &amp; test</code><title>voi hoody & polo shirt + Mckenzie jumper&other stuff</title><description>Good condition size small - medium, text me if interested</description></item>";
content = Regex.Replace(content, @"&(?!(?:lt|gt|amp|apos|quot|#\d+|#x[a-f\d]+);)", "&amp;", RegexOptions.IgnoreCase);
XElement xItem = XElement.Parse(content);

- Ulugbek Umirov

Answer 2

不要称其为“包含非法字符的XML”。它不是XML。你不能使用XML工具处理不是XML的东西。

当你遇到坏的XML时，最好的方法是找出它在何时何地生成，并在源头解决问题。

如果你无法做到这一点，你需要找到一些非XML工具（例如自定义perl脚本）来修复XML，在将其放入XML解析器之前。你所采取的方式将取决于你需要修复的错误的性质。

- Michael Kay

Answer 3

这里提供了比正则表达式更通用的解决方案。首先声明一个数组，将想要替换为编码版本的每个无效字符存储到数组中：

var invalidChars = new [] { '&', other chars comes here.. };

然后将所有的XML作为整个文本进行阅读：

var xmlContent = File.ReadAllText("path");

然后使用LINQ和HttpUtility.HtmlEncode替换无效字符：

var validContent = string.Concat(xmlContent
        .Select(x =>
        {
            if (invalidChars.Contains(x)) return HttpUtility.HtmlEncode(x);
            return x.ToString();
        }));

然后使用XDocument.Parse进行解析，就这样。

- Selman Genç