尝试在 Perl 中解析 XML，但长数据字符串被截断

Question

我尝试使用 XML::Simple 和 XML::Twig 解析 XML 文件，结果相同。文件中的其他字段工作得很好。

有问题的文件可以在这里检索：

curl -s "http://apps.nlm.nih.gov/medlineplus/services/mpconnect_service.cfm?mainSearchCriteria.v.cs=2.16.840.1.113883.6.103&mainSearchCriteria.v.c=130"

这是解析器问题还是文件问题？两个解析器的输出相同。字符串中的 HTML 标记存储在 XML 中

输入字段（在名为“summary”的 xml-tags 内）：

<summary type="html">&lt;p&gt;Toxoplasmosis is a disease caused by the parasite &lt;em&gt;Toxoplasma gondii&lt;/em&gt;. More than 60 million people in the U.S. have the parasite.  Most of them don't get sick. But the parasite causes serious problems for some people. These include people with weak immune systems and babies whose mothers become infected for the first time during pregnancy. Problems can include damage to the brain, eyes and other organs.&lt;/p&gt;&#xd;^I&#xd;&lt;p&gt;You can get toxoplasmosis from &lt;/p&gt;&#xd;&lt;ul&gt;&#xd;&lt;li&gt;^IWaste from an infected cat&lt;/li&gt;&#xd;&lt;li&gt;^IEating contaminated meat that is raw or not well cooked &lt;/li&gt;&#xd;&lt;li&gt;^IUsing utensils or cutting boards after they've had contact with raw meat &lt;/li&gt;&#xd;&lt;li&gt;^IDrinking infected water &lt;/li&gt;&#xd;&lt;li&gt;^IReceiving an infected organ transplant or blood transfusion&lt;/li&gt;&#xd;&lt;/ul&gt;&#xd;&lt;p&gt;Most people with toxoplasmosis don't need treatment. There are drugs to treat it for pregnant women and people with weak immune systems. &lt;/p&gt;&#xd;&#xd;&lt;p class="NLMattribution"&gt;Centers for Disease Control and Prevention&lt;/p&gt;</summary>

XML解析后的输出：

<p>Toxoplasmosis is a disease caused by the parasite <em>Toxoplasma gondii</em>. More than 60 million people in the U.S. have the parasite.  Most of them don't get sick. But the parasite causes serious problems for some people. These include people with weak im<p class="NLMattribution">Centers for Disease Control and Prevention</p>to treat it for pregnant women and people with weak immune systems. </p>her organs.</p>

问题的解决方案： XML 文件包含一个回车符“ " 这会导致解析器出现问题。下载 XML 文件后，我删除了回车符，并带有以下行：

sed -i 's/
//g' *.xml

解析器现在按预期工作。

更新： 回车不会影响解析器，只会影响被截断和混淆的输出。然而，删除它确实解决了我的问题。

Answer 1

在将 curl 解析为管道时（使用 XML::Twig->new->parse( curl -s "http://..." |），我确实得到了一些奇怪的结果：内容似乎被截断，从调用到调用的变化......

如果我解析从 curl 结果或 XML::Twig 的本机 parseurl 方法创建的文件，事情看起来会更好，然后结果是恒定的，并且是您想要的：

#!/usr/bin/perl

use strict;
use warnings;

use XML::Twig;

my $twig    = XML::Twig->new->parseurl( "http://apps.nlm.nih.gov/medlineplus/services/mpconnect_service.cfm?mainSearchCriteria.v.cs=2.16.840.1.113883.6.103&mainSearchCriteria.v.c=130" );
my $summary = $twig->first_elt( 'summary');

print $summary->text, "\n";

老实说，我不知道为什么会这样。我会尝试进一步研究它，但我怀疑我无能为力：如果问题同时出现在 XML::Simple 和 XML::Twig 中，那么它可能位于堆栈的较低级别，XML ::Parser 或 expat 以及它们与 curl 的交互。