Блог

У меня есть не редактируемый XML-файл, в котором между ними помещено несколько нежелательных тегов, поэтому я получаю исключение при проверке XML-документа с использованием XML::Simple. Это ожидаемо.

 my $xml = new XML::Simple(); 
if (eval { $xml->parse("sample.xml") }) {
    print "success!!n";
} else {
    print "failed!!!n";
} 
  

Однако анализатор также выдает исключения для амперсандов внутри URL в XML-документе. Ожидаемый результат заключается в том, что амперсанды внутри тела XML не должны вызывать ошибку. Как я могу преодолеть это, используя XML:: Simple или любой другой модуль синтаксического анализа XML? Я попробовал XML:: Simple, XML:: LibXML и XML::Mini::Document. Ни один из них не справился с проблемой амперсанда.

У вас нет XML-файла. Анализатор сообщает вам, что это не XML-файл. Если вы хотите использовать файлы, отличные от XML, не пытайтесь обрабатывать их с помощью инструментов XML.

Если создатель файла утверждал, что это XML, скажите им, что они отправили вам ошибочный файл, и попросите его исправить, или переключитесь на более надежного поставщика. (Что бы вы сделали, если бы загрузили программу, утверждающую, что это Java, и она не скомпилировалась?)

Возможно, вы сможете использовать XML::Liberal, который с радостью примет этот вид неработающего XML. Это также может привести к нарушению вашего XML другими способами, поэтому покупатель остерегается!

Поскольку это подкласс XML:: LibXML, вы могли бы использовать его вместо XML :: LibXML, но я бы этого не стал делать. Вместо этого у меня был бы первый проход, на котором вы конвертируете свой квази-XML в правильный XML (и вы можете это проверить), а затем используете обычные инструменты XML для остальной части вашей обработки (возможно, не XML ::Simple, см. Предупреждение в документах модуля).

Конвертер может быть таким простым, как:

 #!/usr/bin/env perl

use strict;
use warnings;

use XML::Liberal;

my $parser = XML::Liberal->new('LibXML');
my $doc = $parser->parse_file( 'broken_xml.xml');

print $doc->toString;
  

Поймите, что это опасное решение, использующее модуль, который находится в альфа-состоянии и к которому не прикасались в течение 6 лет. Таким образом, он определенно не может использоваться как часть производственной системы.

Реальное решение состоит в том, чтобы входные данные были реальным (правильно сформированным) XML. Что возможно, голые amp; URL-адреса в URL-адресах могут быть заменены либо на amp;amp; , либо на ; , но для этого вы должны использовать инструменты HTML, а не XML. Или пристыдите своего провайдера, отправив вам настоящий XML.

Тем временем XML::Liberal может быть частью временного решения.

Правильная терминология для того, что вы делаете, — это проверка того, правильно сформирован документ (соответствует определению XML-документа), а не того, является ли он допустимым (соответствует определению XML-документа и определению схемы). Вы можете использовать XML:: LibXML::Schema для проверки документов.

Тем не менее, похоже, что ваша проверка работает правильно. То, что вы предоставляете, не является (правильно сформированным) XML, и анализатор сообщает вам об этом.

Это не (правильно сформированный) XML:

 <ele url="http://www.example.org/form?foo=baramp;moo=mar"/>
  

Это должно быть

 <ele url="http://www.example.org/form?foo=baramp;amp;moo=mar"/>
  

Это не (правильно сформированный) XML:

 <ele>http://www.example.org/form?foo=baramp;moo=mar</ele>
  

Это должно быть

 <ele>http://www.example.org/form?foo=baramp;amp;moo=mar</ele>
  

У меня есть не редактируемый XML-файл

На самом деле, нет. У вас нет XML-файла. У вас есть что-то, что почти, но не совсем, является XML-файлом. Правильно сформированный XML-документ не содержит амперсандов, отличных от тех, которые создают начало объекта (которыми эти не являются). Амперсанд в правильно оформленном XML-документе должен быть закодирован как amp;amp; .

Я думаю, у вас есть три варианта:

1. Вернитесь к источнику этого «не-XML» документа и попросите их прислать вам что-нибудь, что является правильно сформированным XML. Если это поступает от внешнего поставщика, вполне могут существовать контракты, в которых говорится, что они будут предоставлять вам XML. Если это так, они являются нарушением контракта.
2. Предварительно проанализируйте документ, чтобы исправить кодировку амперсандов. Это, вероятно, будет хрупким, и я не рекомендую это.
3. Используйте что-то вроде XML::Liberal для синтаксического анализа документа. Я не рекомендую это, поскольку, как только вы разрешаете нестандартный XML, это скользкий путь, который приводит к беспорядку, который мы видели в парсерах HTML в 1990-х годах 🙂

Если бы это зависело от меня, я бы определенно выбрал первый вариант.