C＃如何解析非标准的xml

Question

我有很多需要解析的长文档。文档格式与XML相似，但实际上不是xml。

下面是一个例子：

<DOC> 
    <TEXT>it's the content P&G</TEXT> 
</DOC> 
<DOC> 
    <TEXT>it's antoher</TEXT> 
</DOC> 

注意，有多发性根标签 - <DOC>，与实体&应为XML &。

因此，上述文件不是标准的xml。

我可以使用XmlDocument解析文件，还是应该编写自己的解析器？

Answer 1

你说的有点不正确 - 这是“不标准的XML”。该文档是而不是 XML。期。

您不能使用XmlDocument或任何其他XML解析器来解析它作为一个完整的文档。

在尝试使用XML解析器解析之前，您需要确保拥有有效的XML。

所以 - 在这种情况下，要么在根元素中弯曲文档，要么将其分解为多个文档。无论哪种情况，您都需要确保特殊字符编码正确（引号，＆符号等）。

oakio的answer通过将文档视为XML片段来帮助您，但这仍然无助于无效内容，例如未转义的＆符号。

Answer 2

是的，但你应该设置XmlReaderSettings.ConformanceLevel：

XmlReaderSettings settings = new XmlReaderSettings() 
{ 
    ConformanceLevel = ConformanceLevel.Fragment 
}; 
using (XmlReader reader = XmlReader.Create(stream, settings)) 
{ 
    //TODO: read here 
} 

更多：http://msdn.microsoft.com/en-us/library/system.xml.xmlreadersettings.conformancelevel.aspx）

Answer 3

由于@Oded说，这不是一个XML文档 - 只是一些文字。

然而，随着一些预解析你也许可以将它转换：

裹在一个新的根节点整个事情：

<DOCS> 
    <DOC> 
     <TEXT>it's the content P&G</TEXT> 
    </DOC> 
    <DOC> 
     <TEXT>it's antoher</TEXT> 
    </DOC> 
<DOCS> 

和搜索不允许的字符，并与他们的实体取代（例如'和&）。

正如在评论中指出，应更换&第一，以避免双重编码（即'amp;结束了）

您可能必须通过字符串操作要做到这一点，虽然，这取决于你在哪里得到数据来自。