修复带有无效字符的 xml 文件，无效的 xmlChar 值 2 [9]

【问题标题】：fix xml file with invalid characters, Invalid xmlChar value 2 [9]修复带有无效字符的 xml 文件，无效的 xmlChar 值 2 [9]
【发布时间】：2021-10-30 19:21:21
【问题描述】：

我正在解析来自 web 服务的 xml 文件，偶尔会遇到此错误：

xml2:::read_xml.raw(rs$content) # where the object rs is the response from the webservice, obtained using the httr package

Error in read_xml.raw(x, encoding = encoding, ...) : 
  xmlParseCharRef: invalid xmlChar value 2 [9]

我下载了数千个 xml，只有少数损坏了。 '

我的问题是：

如何定位导致错误的响应中的字符。修复由无效 xmlChars 引起的无效 xml 的一般策略是什么？

我已经通过将响应解析为 html 来解决问题，但我宁愿修复问题并解析为 xml

谢谢！

【问题讨论】：

标签： r xml httr xml2

【解决方案1】：

我可以通过执行以下操作来弄清楚：

首先了解 httr 响应的内容

xml_broken <- readBin(rs$content, what = "character")

然后我能够系统地从损坏的xml中删除数据，直到我终于找到导致问题的这个文本字符串：

"&#x2;" # from the context i could see that this should be parsed as the danish character 'æ'

来自https://en.wikipedia.org/wiki/List_of_XML_and_HTML_character_entity_references 我可以看到这实际上应该被编码为

"aelig;"

所以最后httr内容可以通过做解析

rs$content %>% 
  readBin(what = "character") %>% 
  gsub(pattern = "&#x2;", replacement = "aelig;") %>%
  XML::xmlParse()

【讨论】：