Perl：如何解析无效的 XML 文档？ [复制]

Question

我有一个来自外部源的 XML 文档，我每天都需要使用 XML::Simple perl 模块一遍又一遍地解析它。我的脚本是从 crontab 运行的，如果 XML 文档正常，它可以正常工作。但是如果文档无效，我会收到错误消息并死掉，如下所示：

junk after document element at line 740774, column 0, byte 36355798 at /usr/local/lib/perl/5.18.2/XML/Parser.pm line 187.

我在 XML 文档中找到了这一行，它看起来像这样：

<item>
    <element1>value1</element1>
    <element2>value2</element2>
    value3</element3>
    <element4>value4</element4>
</item>

我可以在不死的情况下解析这个错误的文档吗？也许从解析器中删除这个项目并发出警告（而不是死！）或者以某种方式忽略错误？

Answer 1

你没有。格式错误的 XML 是一个致命错误，您绝对不应该尝试修复它。

这是一个致命的错误根据定义，因为如果没有它，解析器最终将不得不处理各种边缘情况。因此，您应该拒绝 XML，并告诉上游人员修复它。

见：Dealing with malformed XML

尤其是：http://www.xml.com/axml/notes/Draconian.html

我们希望 XML 使程序员能够编写可以通过 Web 传输并在大量桌面上执行的代码。但是，如果此代码必须包括对各种草率的最终用户实践的错误处理，那么它的大小必然会膨胀到像 Netscape Navigator 或 Microsoft Internet Explorer 一样，大小达到数十兆字节，因此失败的目的。

在这种情况下 - 你也不应该使用 XML::Simple 它的文档：

不鼓励在新代码中使用此模块。其他模块也可以提供更直接和一致的接口。

基本上 - XML::Simple 在于它不是一个简单的 XML 解析器。它是 for 简单的 XML。还有更好的选择。

我会建议考虑像XML::Twig 这样的东西。 （还有其他选择 - 这是我最喜欢的）。

但两者都不会处理格式错误的 XML - 任何可以处理的解析器根据定义 已损坏。