如何解析包含无效字符的XML节点名称？

Question

我正在尝试解析一些XML，但它们的创建不受我的控制。问题是，它们有一些节点看起来像这样：

<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都认为上述使用的'('和')'字符是完全无效的。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发疯，或者动态地转义它们或做些什么？我可以对整个文件进行某种预处理，但如果它们以某种有效的方式出现在节点内部，我确实希望保留'('和')'字符，因此我不想将它们全部删除...

- GWLlosa

---

如果不是有效的XML，则不是XML。无论如何，将其处理为文本。 - Remus Rusanu

这个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)看起来像是实际应该存在的内容的查找。 - Dolphin

Answer 1

这个想法是不正确的。最好的方法是使用预处理，可以考虑使用正则表达式，比如：

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

编辑：替换括号内部的“-”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;
    });

- Marc Gravell

---

我会尝试使用最严格的正则表达式。 - Dolphin

@ Dolphin - 你能提供一个具体的建议吗？ - Marc Gravell

正则表达式大部分都能工作，但是在上面的例子中，倒数第二个节点以 '(' 和 ')' 的形式幸存了下来 : \ - GWLlosa

谢谢。我是这个XML文档的第三方，所以我并没有权利要求对其进行修复。但是有了正则表达式，现在它可以工作了。 - GWLlosa

Answer 2

如果它不符合语法规则，那么它就不是XML。

XML在这方面非常严格。

如果您无法让发送应用程序发送正确的XML，则只需让他们知道任何将看到此错误的“下游”进程（无论是您的应用程序还是将来的其他应用程序）都将失败。

如果预处理不是一个选项，另一种聪明的机制是使用自定义流来包装传递给解析器的“Stream”对象。该流可以查找<字符，并在找到一个时设置标志。在看到>字符之前，它可能会吞掉任何(或)字符。我们曾经使用过类似的方法来消除遗留传输机制添加到XML文件中的NUL和^Z字符。（唯一需要注意的是，在属性中可能存在<字符，因为它们不必在那里转义-只有>字符必须这样做。）

- lavinio