仅获取文本文件中的 Xml答案

【问题标题】：Get only Xml among text file仅获取文本文件中的 Xml
【发布时间】：2016-10-16 01:50:25
【问题描述】：

我有许多文件“.txt”文件，文件中有通常的文本和 xml 标签。文件非常大，文件数量非常多。所以我只想拿没有文本的xml。我知道标签从<body> 开始，以</body> 结束。我只需要<body> 和<body> 中的所有嵌套标签

文件示例：

exampleTextexampleTextexampleTextexampleTextexampleTextexampleText
exampleTextexampleTextexampleTextexampleTextexampleTextexampleText
 <body>
 ...
 </body>

exampleTextexampleTextexampleTextexampleTextexampleTextexampleText
exampleTextexampleTextexampleTextexampleTextexampleTextexampleText

exampleTextexampleTextexampleTextexampleTextexampleTextexampleText
exampleTextexampleTextexampleTextexampleTextexampleTextexampleText

exampleTextexampleTextexampleTextexampleTextexampleTextexampleText
exampleTextexampleTextexampleTextexampleTextexampleTextexampleText
<body>
 ...
</body>

exampleTextexampleTextexampleTextexampleTextexampleTextexampleText
exampleTextexampleTextexampleTextexampleTextexampleTextexampleText

exampleTextexampleTextexampleTextexampleTextexampleTextexampleText
exampleTextexampleTextexampleTextexampleTextexampleTextexampleText
exampleTextexampleTextexampleTextexampleTextexampleTextexampleText
exampleTextexampleTextexampleTextexampleTextexampleTextexampleText
<body>
 ...
</body>

exampleTextexampleTextexampleTextexampleTextexampleTextexampleText
exampleTextexampleTextexampleTextexampleTextexampleTextexampleText

exampleTextexampleTextexampleTextexampleTextexampleTextexampleText
exampleTextexampleTextexampleTextexampleTextexampleTextexampleText

我尝试使用XDocument doc = XDocument.Parse(str);，但出现异常：

根级别的数据无效。第 1 行，位置 1。

【问题讨论】：

由于整个文件不是 XML，因此您无法将其解析为 XML。您需要手动解析正文标签。
@AlG 通过正则表达式获得更好的性能？
小建议，阅读每一行，当你点击时你是inTag，而inTag提取xml，当你点击标签时改变inTag = false。
您确定<body>和</body>之间的内容是格式正确、有效的xml吗？
在 <body> 标签之外的其余文本中是否有任何 XML 特定字符（如 <、> 等）？

标签： c# xml

【解决方案1】：

试试下面的代码。如果所有行都以“

            StreamReader reader = new StreamReader(FILENAME, Encoding.UTF8);
            string inputLine = "";
            string str = "";
            while ((inputLine = reader.ReadLine()) != null)
            {
                if (inputLine.Trim().StartsWith("<"))
                {
                    str += inputLine + "\n";
                }
            }

【讨论】：

毫无疑问是 ReadLine()。正则表达式使用大量内存。解析 Regex 时会创建子字符串的层次结构。

【解决方案2】：

虽然这不一定是一个好主意，但您实际上可以通过将其包装在一对标签中来将其解析为 XML，只要您确定它是正确分隔的（即在非 XML 内容中的

例如以下是有效的 XML：

<FileContent>
exampleTextexampleTextexampleTextexampleTextexampleTextexampleText
exampleTextexampleTextexampleTextexampleTextexampleTextexampleText
 <body>
 ...
 </body>

exampleTextexampleTextexampleTextexampleTextexampleTextexampleText
exampleTextexampleTextexampleTextexampleTextexampleTextexampleText

exampleTextexampleTextexampleTextexampleTextexampleTextexampleText
exampleTextexampleTextexampleTextexampleTextexampleTextexampleText

exampleTextexampleTextexampleTextexampleTextexampleTextexampleText
exampleTextexampleTextexampleTextexampleTextexampleTextexampleText
<body>
 ...
</body>

exampleTextexampleTextexampleTextexampleTextexampleTextexampleText
exampleTextexampleTextexampleTextexampleTextexampleTextexampleText

exampleTextexampleTextexampleTextexampleTextexampleTextexampleText
exampleTextexampleTextexampleTextexampleTextexampleTextexampleText
exampleTextexampleTextexampleTextexampleTextexampleTextexampleText
exampleTextexampleTextexampleTextexampleTextexampleTextexampleText
<body>
 ...
</body>

exampleTextexampleTextexampleTextexampleTextexampleTextexampleText
exampleTextexampleTextexampleTextexampleTextexampleTextexampleText

exampleTextexampleTextexampleTextexampleTextexampleTextexampleText
exampleTextexampleTextexampleTextexampleTextexampleTextexampleText
</FileContent>

因此，如果您只是将其包装在一对标签中，您就可以加载它。然后，您可以使用 XPath 访问正文元素。

例如类似（未经测试）

public string GetBodyTagContent (string fileContent)
{
    var xmlDoc = new System.Xml.XmlDocument();
    xmlDoc.LoadXml("<FileContent>" + fileContent + "</FileContent>");
    return string.Join(",", (from n in xmlDoc.SelectNodes("//body") select n.InnerText));
}

【讨论】：

谢谢，但我不能用一对标签包装

【解决方案3】：

html 包含文件内容。
resultList 将给出正文内容列表

简短说明 - 它匹配两个正文标签之间的所有文本。末尾的*? 是非贪婪或惰性量词，允许匹配多个正文标签而不是第一个<body> 和最后一个</body> 标签中的文本。

RegexOptions options = RegexOptions.IgnoreCase | RegexOptions.Singleline;
Regex regx = new Regex("<body>(?<bodyContents>.*?)</body>", options);
Match matchResult = regx.Match(html);
List<string> resultList = new List<string>();
while (matchResult.Success)
{
       var d = matchResult.Groups["bodyContents"].Value;
       resultList.Add(d.Trim());          
       matchResult = matchResult.NextMatch();
}

正则表达式适用于特定模式（正文标记之间的文本），但是如果正文具有属性或 html 格式不正确，它将失败。

【讨论】：