XML：当只有一些数据被转义时如何预解析？答案

【问题标题】：XML: how to pre-parse when only SOME data is escaped?XML：当只有一些数据被转义时如何预解析？
【发布时间】：2017-06-19 15:18:21
【问题描述】：

XML sn-p:

<field>&amp; is escaped</field>
<field>&quot;also escaped&quot;</field>
<field>is & "not" escaped</field>
<field>is &quot; and is not & escaped</field>

我正在寻找有关如何预先解析任何 XML 以转义在通过解析器运行 XML 之前未转义的所有内容的建议？

我无法控制传递给我的 XML，他们可能不会很快修复它，我必须找到解析它的方法。

我遇到的主要问题是，将 XML 原样运行到解析器中，例如（如下）将引发异常，因为 XML 是错误的，因为其中一些没有被正确转义

string xml = "<field>& is not escaped</field>";
XmlReader.Create(new StringReader(xml))

【问题讨论】：

可能与stackoverflow.com/questions/8331119/…重复
该问题的答案涉及“删除”坏字符而不是修复/转义它们，这并不理想。寻找能够逃避 & 而不是删除 & 当它被传递为未转义时的能力
使用 System.Net.WebUtility.HtmlDecode 或 System.Net.WebUtility.HtmlEncode。参见维基：en.wikipedia.org/wiki/…。该文件看起来像是被修改为使用 html 并且只需要转换回 xml。
@jdweng 不要认为这有帮助 - 你会从 &amp;quot; 逃到 &amp;quot;，这不是我们想要的。
您可以尝试使用 DGML 解析器，我发现它比普通的 XML 解析器更能容忍结构/编码问题。过去我遇到过问题，我会从 F5 设备传回不完整的 XML，而 DGML 解析器显然是唯一能够找出错误并绕过它们的解析器。抱歉，我不记得我使用的 DGML 解析器了，大约 5 年了。

标签： c# xml xml-parsing

【解决方案1】：

我建议您使用正则表达式将未转义的 & 符号替换为等效的实体。

This question 很有帮助，因为它为您提供了一个正则表达式来查找这些流氓 & 符号：

&(?!(?:apos|quot|[gl]t|amp);|#)

您可以看到它与this demo 中的正确文本匹配。您可以在简单的替换操作中使用它：

var escXml = Regex.Replace(xml, "&(?!(?:apos|quot|[gl]t|amp);|#)", "&amp;");

然后您就可以解析您的 XML。

【讨论】：

【解决方案2】：

使用 HTML Tidy 预处理文本数据（不是真正的 XML），并将 quote-ampersand 设置为 true。

【讨论】：

【解决方案3】：

如果你想解析非 XML 的东西，你首先需要确定这门语言是什么以及你打算用它做什么：当你为你想要的非 XML 语言编写语法时要进行处理，您可以决定是否可以通过预处理来处理它，或者您是否需要一个成熟的解析器。

例如，如果您只需要处理后跟一个空格的非转义“&”，并且如果您不关心 cmets 和 CDATA 部分中发生的事情，那么这是一个相当简单的问题。如果您不想破坏 cmets 或 CDATA 的内容，或者如果您需要在没有定义 &npsp; 的情况下处理 &nbsp; 之类的事情，那么生活开始变得更加困难。

当然，如果您编写符合标准的软件，您和您的供应商可以为自己节省大量时间和费用。这就是标准的用途。

【讨论】：