在给定位置的无效 XML 字符串中查找父元素

Question

例子：

...some string content here...
<test>
    <a>
        ...something...
    </a>
    <a/>
    {position 1}
    <b>{position 2}
        <c>
            ...something else...
            {position 3}
        </c>
        <c/>
        <d>
            <e/>
            {position 4}
            <e>
                ...another thing here...
                {position 5}
            </e>
        </d>
        {position 6}
    </b>
    {position 7}
...more xml and other sting content...

我需要在（例如）位置找到父封闭元素 上面指定的。

结果将是：{position 1} = test {position 2} = b {position 3} = c {位置 4} = d {位置 5} = e {位置 6} = b {位置 7} = 测试

备注： - 没有任何元素标签名称是已知的 - 漏洞字符串可能包含非 xml 内容 - 数据量很大（>50MB 文本文件）

必须实施一种搜索技术，从给定位置开始向后读取，直到找到有效匹配项（如果有）。

感谢

Answer 1

根据定义，无法解析无效的 XML。这就是为什么任何 XML 解析器都会拒绝解析它并返回错误。

如果 XML 解析器不能解析它，你也不能（基本上）。您所要求的不是一些可以被正则表达式抓取的简单字符串或简单的标签集合。为了在特定位置找到父标签，您确实必须进行完整解析（可能是无效数据！）。

更新：要了解我在说什么，请考虑在您的示例中找到 {position 1} 的父级。

• 解决此问题的简单方法可能是“向后查找开始标签”。但是您显然不能使用找到的第一个开始标签 (<a>)，因为它在位置之前关闭。
• 因此，当您向后退时，您必须看到 </a> 并记住 <a> 标记已关闭，这样您就不会将 <a> 视为父标记。
• 当然，在您到达父级之前，可能有任意数量的打开和关闭标签。您必须跟踪所有这些（包括同一标签的多次出现）。

如您所见，这非常复杂。那是在您允许文件中存在任何无效元素之前。

一种可能可行的简单方法：如果您确切知道文件错误是什么，则可以删除这些错误，然后将更正后的文件输入 XML 解析器。

否则，您将不得不为特定品牌的无效 XML 编写自己的自定义解析器。根据文件中的错误类型，甚至可能都不可能。