使用 Nokogiri 的 XML 标记内的铃铛字符无效答案

【问题标题】：Invalid bell character inside XML tag using Nokogiri使用 Nokogiri 的 XML 标记内的铃铛字符无效
【发布时间】：2015-10-29 20:36:12
【问题描述】：

我正在使用Nokogiri::XML::SAX::Document 来解析一个由购物元素填充的 XML 文件。

其中一些项目的段落中带有铃铛字符，但没有 CDATA 块部分：

<description>Amazing product that will blow your mind. ^G Caution: may cause skin irritation and death.</description>

* ^G 是这个字符在 VIM 中的显示方式。

该元素的解析失败，然后我收到以下错误：

XML document contains errors, check this: PCDATA invalid Char value 7.

有没有办法读取上面显示的元素而忽略 Nokogiri 中的无效字符？

【问题讨论】：

如果没有上下文中的 XML 数据和代码示例，真的很难说出问题所在。请参阅“How to Ask”。我们不会编写 SAX 代码，因此我们需要您向我们展示您尝试过的内容。因为它是有效的 XML 标记，所以错误可能发生在 XML 的其他地方，并且正在抛出解析器。
错误信息是指“Char value 7”。字符 7 是一个控制字符（ASCII 中的 Bell character），它在 XML 中无效（至少 1.0）。当我创建包含该字符的示例文档并对其进行解析时，我会收到相同的错误消息。你的问题是这个字符，而不是冒号。

标签： ruby nokogiri

【解决方案1】：

不是无效字符； : 在文本节点中完全有效。问题必须出在其他地方，可能是由于文档中的无效 XML 在解析文档时混淆了 libXML。

require 'nokogiri'

doc = Nokogiri::XML::DocumentFragment.parse('<description>Amazing product that will blow your mind. Caution: may cause skin irritation and death.</description>')
doc.to_xml # => "<description>Amazing product that will blow your mind. Caution: may cause skin irritation and death.</description>"
doc.errors # => []

doc.at('description').text # => "Amazing product that will blow your mind. Caution: may cause skin irritation and death."

要查看您的文档是否有效，请使用 errors 方法让 Nokogiri 返回一组错误。在上面的代码中它返回一个空数组，这意味着解析的内容没有问题。

...我发现了真正导致问题的角色...

<description>Amazing product that will blow your mind. ^G Caution: may cause skin irritation and death.</description>

您可以使用tr 或delete 在解析之前删除不需要的字符。不要在搜索字符串中使用^G，而是使用\a，因为它的值相同，只是更容易处理：

>> "^G".ord#=> 7
>> "\a".ord #=> 7

所以，你可以这样做：

require 'nokogiri'

xml = "<description>Amazing product that will blow your mind. \a Caution: may cause skin irritation and death.</description>"
doc = Nokogiri::XML::DocumentFragment.parse(xml.delete("\a"))
doc.to_xml # => "<description>Amazing product that will blow your mind.  Caution: may cause skin irritation and death.</description>"

【讨论】：

在重新调查情况后，我发现了真正导致问题的角色，并编辑了问题
有时我们会看到损坏的标记，无论是 XML 还是 HTML。在 HTML 中，它并不像一个非常宽松的标准那么重要。 XML 更加挑剔。当我们遇到这样的问题时，通常最好进行飞行前检查并在解析之前修复我们知道存在的问题。我将添加一个我会做什么的示例。
我不确定如何使用 SAX 解析器来做到这一点，但你已经帮了我很多。
您可能必须在命令行中使用sed 来预处理文件。