解析不完整格式的SGML/XML文档的LOTS和LOTS的策略

我有成千上万的SGML文档，其中一些格式良好，一些格式不够完善。我需要获取文档中的某些ELEMENTS，但每次我加载并尝试将它们读入XDocument，XMLDocument或甚至是StreamReader时，都会得到各种各样的XMLException错误。解析不完整格式的SGML/XML文档的LOTS和LOTS的策略

像'''是一个意外的标记。“。为什么？因为我有一个DOCTYPE文件，如

<!DOCTYPE RChapter PUBLIC "-//LSC//DTD R Chapter for Authoring//EN" [] >

我知道“[]”需要内部有效的东西。同样，我不控制文档的创建，但我必须“破解”它们并获取我想要的数据。另一个例子是具有一个“非闭合”元件，例如：

<Caption>Plants, and facilities<hardhyphen><hyphen>Inspection.</Caption>

这XMLException是“第27行的‘连字符’开始标记不‘标题’线27，位置58的结束标记相匹配。 “很明显，对吗？

但是接下来的问题是，如何在这些文档中实际获得某些ELEMENTS，而不会遇到XMLExceptions。 SAX解析器是否正确？我基本上想打开文档，直接转到我想要的元素（不用担心附近可能形成或不可能形成什么），拉取数据，然后继续。如果我只是忘了为XMLDocument，的XDocument解析，并只是做简单的字符串替换像

str.Replace("<hardhypen><hyphen>", "-")

，然后尝试将其加载到XML解析器之一。有关战略的任何提示？

来源

2010-11-20 Robert4Real

您使用哪种语言？ – 2010-11-20 04:00:29

我可以使用C＃或VB.NET – Robert4Real 2010-11-20 14:24:07

，如果它没有很好地形成，它不是XML，那是你遇到的问题。你想先将你的SGML转换为XML，首先https://github.com/MindTouch/SGMLReader，http://mmalachowski.blogspot.com/2013/08/performance-test-of-c-html-xpath.html – Jodrell 2017-03-09 13:42:26

问题是你试图用XML工具解析SGML。他们不一样。如果您想使用XML工具/语言来访问数据，您可能需要在尝试解析它之前将SGML转换为XML。

理想情况下，您要么使用支持SGML的语言/工具（如OmniMark），要么可以处理“XML like”数据（比如第一个答案中的nokogiri？）。

这可能是相当直接的，但在某些方面可能会变得棘手。特别是如果你在谈论多个文档类型（DTD）。（也没有“格式良好”的SGML这样的东西，是的，元素/等必须正确嵌套，但SGML 有有一个DTD。）

这里是SGML和XML之间的一些区别你需要处理。（您可能不想走这条路线，但无论如何它可能对信息有所帮助。）：

DOCTYPE声明

DOCTYPE声明在你的例子是完全有效的SGML文档类型。 []（内部子集）不必有任何内容。如果你在内部子集中有声明（通常是实体声明），你很可能不得不在XML中保留一个doctype声明。

XML解析器遇到的问题是您在声明中没有系统标识符。在XML文档类型声明中，如果存在公共标识符，则系统标识符是必需的。在SGML doctype声明中，它不是必需的。底线：除非您需要将XML解析为DTD/Schema或在内部子集中声明，否则请删除doctype声明。如果XML必须有效，那么您至少需要添加一个系统标识符。不要忘记添加<?xml ...?>处理指令。
元素没有结束标记

的<hardhyphen>和<hyphen>元素是有效的SGML。 SGML DTD允许您指定标签最小化。这意味着您可以指定是否需要结束标记。（您也可以开始标记可选的，但是这是疯话。）在XML中，你必须关闭这些元素（如<hardhyphen/>或<hardhyphen></hardhyphen>）

做的最好的事情是看你的SGML DTD，看看哪些要素有可选的结束标签。标签最小化在元素声明中的元素名称后面指定。 ' - '表示标签是必需的。 'o'（字母'哦'）表示标签是可选的。例如，如果看到<!ELEMENT hyphen - o (#PCDATA)>，则表示需要开始标记（-），结束标记是可选的（o）。如果您看到<!ELEMENT hyphen - - (#PCDATA)>，则需要开始标记和结束标记。

底线：正常关闭所有没有结束标签在SGML
处理指令

处理指令（PI）并不具备第二?的时候都喜欢封闭的元素XML的确如此。您需要添加第二个?。

例SGML PI：<?asdf jkl>

示例XML PI：<?asdf jkl?>
夹杂物/排除

你可能不会担心这一点，但在SGML DTD，你可以在指定一个元素声明，该元素内部的任何地方都允许另一个元素（或不允许）。如果您的目标XML需要解析为DTD，这可能会很痛苦; XML DTD不允许包含/排除。

这是一个包含可能是什么样子：

<!ELEMENT chapter - - (section)+ +(revst|revend)>

这是说，revst或revend是chapter内的任意位置允许的。如果元素声明有-(revst|revend)，这意味着revst或revend是而不是允许在chapter内的任何位置。

希望这会有所帮助。

来源

2010-11-20 07:49:24

是的，使用Nokogiri。

在该页面上向下滚动一下，并将“简介”下的代码复制到文件中，如xml-parser.rb。然后，如果您在Mac上（Ruby已安装在Mac上），请从终端运行gem install nokogiri，然后运行该文件：ruby xml-parser.rb。

您也可以从终端输入irb，然后输入require 'nokogiri'，然后开始实时播放nokogiri api。喜欢互动Ruby。 :)

如果您在Windows上，请尝试此Ruby installer for Windows。

来源

2010-11-20 04:01:58 ma11hew28

解析不完整格式的SGML/XML文档的LOTS和LOTS的策略

回答

相关问题