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（d30036ddc824403d51b03f80ff62bdc4）。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

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

   • 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 codecs.encodedfile() 清理非法字符。

   • java： tagsoup 和jsoup 专注于 html。 filterinputstream 可用于 预处理清理。

   • .net：

     • xmlreadersettings.checkcharacters 可以 禁用以解决非法 xml 字符问题。
     • @jdweng 注释 xmlreadersettings。 conformancelevel 可以设置为 conformancelevel.fragment这样 xmlreader 可以读取缺少根元素的 xml 格式良好的解析实体 .
     • @jdweng 还报告 xmlreader.readtofollowing() 有时可以 用于解决 xml 语法问题，但请注意 下面#3 中的违规警告。
     • microsoft.language.xml.xmlparser据说是“容错”的。

   • 转到：设置decoder.strict到 false，如示例所示，作者：@chuckx。

   • php：请参阅domdocument::$recover 和 libxml_use_internal_errors(true)。请参阅此处的好示例。

   • ruby：nokogiri 支持“温和的 well-形式性”。

   • r：请参阅htmltreeparse() 用于 r 中的容错标记解析。

   • perl：请参阅xml::liberal ，一个“超级自由的 xml 解析器，可以解析损坏的 xml。”

3. 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：

     • php： preg_replace('/[^\x{0009}\x{000a}\x{000d} \x{0020}-\x{d7ff}\x{e000}-\x{fffd}]+/u', ' ', $s);
     • ruby： string.tr ("^\u{0009}\u{000a}\u{000d}\u{0020}-\u{d7ff}\u{e000‌​}-\u{fffd}", ' ')
     • javascript： inputstr.replace (/[^\x09\x0a\x0d\x20-\xff\x85\xa0-\ud7ff\ue000-\ufdcf\ufde0-\ufffd]/gm, '')

   • 对于与号，使用正则表达式将匹配项替换为 &: ^{_{信用：blhsin，演示}} p>

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

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。

以上是如何解析无效（错误/格式不正确）的 XML？的详细内容。更多信息请关注PHP中文网其他相关文章！