清理 xml 文件 - 给定编码中的无效字符答案

【问题标题】：Cleanup xml file - Invalid character in the given encoding清理 xml 文件 - 给定编码中的无效字符
【发布时间】：2013-01-22 08:56:52
【问题描述】：

我正在使用他们的“SOAP”API 与 Magento 电子商务集成，API 返回“XML”结果。问题是，这并不总是格式正确：

<product>
   <entity_id>18</entity_id>
   <price regular="2925  <span>Nok</span>"/>
   ...

在这种特定情况下，价格常规属性在属性文本中既有不可见字符 0xa0（在 span 标记之前），又有。

我似乎无法从 Magento 获得格式正确的 XML，因此替代方法是在将其提供给我的 XmlSerializer 反序列化之前对其进行清理：

XmlSerializer serializer = new XmlSerializer(typeof(Responses.Product.product));
product = serializer.Deserialize(textReader) as Responses.Product.product;

我可以使用简单的文本替换来摆脱不可见的字符，但我更不确定属性文本中的。

我的问题是，如何将其清理为有效的 XML？

【问题讨论】：

恐怕你拥有的不是XML。这是一个任意字符串。因此，您不能使用 XML 序列化程序来处理它。我建议您从根本上解决问题，在您的情况下是该字符串的生成。所有其他尝试，包括用替换和/或正则表达式清理它最终将把你引向深渊，你的代码总有一天会崩溃。
我不生成这个字符串，它是针对 Magento 的 SOAP 调用的结果。这是我必须使用的，不幸的是我无法修复字符串的提供者:(
不，这不是有效的 SOAP 调用。 SOAP 表示 XML。您在此处显示的内容与所谓的 XML 相去甚远。因此，除非您使用 HttpWebRequest 手动执行此调用并完全忽略您作为 SOAP 协议的响应而得到的错误，否则这不会发生在兼容的 SOAP 客户端上。
好的，所以 Magento 称它为 SOAP 和 XML，不管它是什么。不是我的错 Magento 太垃圾了 :) 不管他们怎么称呼它，这就是我必须使用的。
祝你好运。

标签： c# .net xml magento deserialization

【解决方案1】：

字符 0x3c 是 < 字符。对于不可见的字符，您宁愿寻找像 0x09 TAB 字符这样的东西。

要修复损坏的标记，您可以在内容中查找特定的 HTML 标记，使用正则表达式来允许标记中包含任何货币：

xml = Regex.Replace(xml, "<span>([A-Za-z]{3})</span>", "&lt;span&gt;$1&lt;/span&gt;");

只要在 XML 代码本身中没有任何 span 元素（包含三个字符的内容），此方法就可以工作。您可以对其他 HTML 标记进行类似的替换，但尽量保持模式的具体性，以避免误报。

【讨论】：

对不起，隐形字符是 0xa0，而不是 0x3c。
@sphair：啊哈，那是 LF（换行）字符。它在 Linux 和 OS X 中用作换行符。