代码之家  ›  专栏  ›  技术社区  ›  peku

修复损坏的XML文件-删除多余的小于/大于号

  •  2
  • peku  · 技术社区  · 16 年前

    <ArticleName>Article 1 <START  </ArticleName>
    

    显然,libxml和其他XML库无法读取此内容,因为小于号会打开一个从未关闭的新标记。我的问题是,我能做些什么来自动修复这样的问题(最好是在Ruby中)?解决方案当然应该适用于任何有这样错误的字段。有人说SAX解析可以做到这一点,但我不确定这将如何工作。

    2 回复  |  直到 16 年前
        1
  •  2
  •   Tim Pietzcker    16 年前

    你可以做一个正则表达式搜索和替换,寻找 <(?=[^<>]*<) &lt; .

    在红宝石里,

    result = subject.gsub(/<(?=[^<>]*<)/, '&lt;')
    

    你想找到的理由 < > . 因此,正则表达式只匹配 < 如果后面跟着另一个 > 介于两者之间。

    EDIT:通过使用lookahead改进了regex。我最初以为Ruby不支持lookahead,但它支持。只是不要回头看。。。

        2
  •  2
  •   the Tin Man    16 年前

    Nokogiri支持一些处理坏XML的选项。这些可能会有帮助:

    http://rubyforge.org/pipermail/nokogiri-talk/2009-February/000066.html http://nokogiri.org/tutorials/ensuring_well_formed_markup.html

    我只是把碎片弄得乱七八糟,Nokogiri处理得很好:

    #!/usr/bin/ruby
    
    require 'rubygems'
    require 'nokogiri'
    
    doc = Nokogiri::XML('<?xml version="1.0"?><ArticleName>Article 1 <START  </ArticleName></xml>')
    doc.to_s  # => "<?xml version=\"1.0\"?>\n<ArticleName>Article 1 <START/></ArticleName>\n"
    doc.errors # => [#<Nokogiri::XML::SyntaxError: error parsing attribute name
    
    
    推荐文章