如何解析无效（错误/格式不正确）的 XML？

php小编百草为您介绍如何解析无效的xml文件。在处理xml文件时，有时会遇到无效的xml，可能是因为格式不正确或包含错误。解析无效的xml文件是一项重要的任务，以确保我们能够正确地获取所需的数据。为了解决这个问题，我们可以使用php的内置函数和库来检查和修复无效的xml。下面我们将详细介绍几种常用的方法来解析无效的xml文件。

问题内容

目前，我正在开发一项功能，该功能涉及解析我们从其他产品收到的 xml。我决定针对一些实际的客户数据运行一些测试，看起来其他产品允许用户输入应被视为无效的输入。无论如何，我仍然必须尝试找出一种解析它的方法。我们正在使用 javax.xml.parsers.documentbuilder，我在输入时收到如下错误。

<xml>
  ...
  <description>Example:Description:<THIS-IS-PART-OF-DESCRIPTION></description>
  ...
</xml>

正如您所知，描述中似乎包含无效标签（<this-is-part-of-description>）。现在，这个描述标签被认为是叶标签，并且内部不应该有任何嵌套标签。无论如何，这仍然是一个问题，并在 documentbuilder.parse(...) 上产生异常

我知道这是无效的 xml，但可以预见它是无效的。关于解析此类输入的方法有什么想法吗？

解决方法

“xml”比无效更糟糕——它格式不正确；请参阅格式良好与有效的 xml。

对违规行为的可预测性进行非正式评估没有帮助。该文本数据不是 xml。没有一致的 xml 工具或库可以帮助您处理它。

选项，最理想的第一个：

1. 让提供商自行解决问题。 需要格式良好的 xml。（从技术上讲，格式良好的 xml 一词是多余的，但可能有助于强调。）

2. 使用宽容标记解析器在解析为 xml 之前解决问题：

   • 独立： xmlstarlet 具有强大的恢复和修复功能功能^{_{信用：romanperekhrest}}

     xmlstarlet fo -o -r -h -d bad.xml 2>/dev/null

     登录后复制

   • 独立和 c/c++： html tidy 有效也可以使用 xml。 taggle 是一个端口tagsoup 到 c++。

     

     挖错网

     一款支持文本、图片、视频纠错和AIGC检测的内容审核校对平台。

     28

     查看详情

   • python： 美丽的汤 基于python。请参阅解析器之间的差异部分中的注释。另请参阅此问题的答案了解更多信息 关于处理 python 中格式不正确的标记的建议， 特别包括lxml 的 recover=true 选项。 另请参阅此答案了解如何使用 recover=true 清理非法字符。

   • java： tagsoup 和xmlstarlet0 专注于 html。 xmlstarlet1 可用于 xmlstarlet2 可以 禁用以解决非法 xml 字符问题。

   • xmlstarlet3 xmlstarlet4 可以设置为 xmlstarlet5这样 xmlstarlet6 可以读取xmlstarlet7 .
   • xmlstarlet8 xmlstarlet9 有时可以 用于romanperekhrest0，但请注意 下面#3 中的违规警告。
   • romanperekhrest1据说是“容错”的。

3. 转到：设置romanperekhrest2到 codecs.encodedfile()，如romanperekhrest3所示，作者：romanperekhrest4。

4. php：请参阅romanperekhrest5 和 romanperekhrest6。请参阅romanperekhrest7的好示例。

5. ruby：nokogiri 支持“romanperekhrest8”。

6. r：请参阅romanperekhrest9 用于 r 中的容错标记解析。

7. perl：请参阅html tidy0 ，一个“超级自由的 xml 解析器，可以解析损坏的 xml。”

8. 使用文本编辑器手动将数据处理为文本或 以编程方式使用字符/字符串函数。这样做 以编程方式可以从棘手到不可能作为 看起来是什么 可预测的往往不是——打破规则很少受到规则的约束。

   • 对于无效字符错误，请使用正则表达式删除/替换无效字符：

     • html tidy1 filterinputstream
     • html tidy2 xmlreadersettings。 conformancelevel
     • html tidy3 conformancelevel.fragment

   • 对于与号，使用正则表达式将匹配项替换为 xmlreader: ^{_{信用：html tidy4，html tidy5}} p>

     &(?!(?:#\d+|#x[0-9a-f]+|\w+);)

     登录后复制

请注意，上述正则表达式不会接受注释或 cdata

按照设计，标准 xml 解析器永远不会接受无效的 xml。

您唯一的选择是在解析输入之前预处理输入以删除“可预见的无效”内容，或将其包装在 cdata 中。

以上就是如何解析无效（错误/格式不正确）的 XML？的详细内容，更多请关注php中文网其它相关文章！