使用 HTML 标签反序列化 XML答案

【问题标题】：Deserializing XML with HTML tags使用 HTML 标签反序列化 XML
【发布时间】：2019-05-21 04:04:30
【问题描述】：

我正在尝试反序列化一个 XML 文件，除了包含 HTML 标记的节点外，它工作正常。这是 XML 文件中的一个 sn-p：

<article mdate="2011-12-29" key="tr/trier/MI99-02" publtype="informal publication">
    <author>Friedemann Leibfritz</author>
    <title>A LMI-Based Algorithm for Designing Suboptimal Static H<sub>2</sub>/H<sub>infinity</sub> Output Feedback Controllers</title>
    <journal>Universit&auml;t Trier, Mathematik/Informatik, Forschungsbericht</journal>
    <volume>99-02</volume>
    <year>1999</year>
</article>

然后，我收到错误：

{"Unexpected node type Element. ReadElementString method can only be called on elements with simple or empty content. Line 1148, position 64."}

错误发生在：

一种基于LMI的算法设计次优静态H₂/H_infinity输出反馈控制器

HTML 标签 sub 和 /sub 存在的地方。

有没有办法将标题节点作为一个整体反序列化，而忽略 HTML 标签？以下是我的部分代码：

XmlReaderSettings readerSettings = new XmlReaderSettings
{
   DtdProcessing = DtdProcessing.Parse,
   XmlResolver = new LocalXhtmlXmlResolver()
};

XmlRootAttribute xRoot = new XmlRootAttribute();
xRoot.ElementName = "dblp";
xRoot.IsNullable = true;
XmlSerializer deserializer;
XmlReader textReader;

deserializer = new XmlSerializer(typeof(List<Entity.Article>), xRoot);
textReader = XmlReader.Create(xmlPath, readerSettings);
List<Entity.Article> articleList;
articleList = (List<Entity.Article>)deserializer.Deserialize(textReader);
textReader.Close();

任何帮助将不胜感激 - 谢谢！

【问题讨论】：

标签： c# xml serialization

【解决方案1】：

您的 XML 未正确转义。解析器无法知道这些标签不是 XML 文档的一部分，当它们被这样处理时，您的 XML 是无效的，因为一个元素嵌套在另一个元素的值中。

正确转义的 XML sn-p 将是

<article mdate="2011-12-29" key="tr/trier/MI99-02" publtype="informal publication">
    <author>Friedemann Leibfritz</author>
    <title>A LMI-Based Algorithm for Designing Suboptimal Static H&lt;sub&gt;2&lt;/sub&gt;/H&lt;sub&gt;infinity&lt;/sub&gt; Output Feedback Controllers</title>
    <journal>Universit&auml;t Trier, Mathematik/Informatik, Forschungsbericht</journal>
    <volume>99-02</volume>
    <year>1999</year>
</article>

【讨论】：

您好，感谢您的回复！要求不修改 XML 文件。此外，XML 文件大约有 1.2GB 大，可能还有其他尚未发现的 HTML 标记（例如，）。有什么办法可以跳过这些元素吗？
你没有当前有一个有效的 XML 文件，你不能跳过你不喜欢的部分——你的要求类似于写一个带有随机“{”的 C# 应用程序散布在整个源代码中，并要求编译器跳过不应该存在的那些。你可以做的是处理文本文件，尝试用正确转义的标签替换已知的坏 HTML 标签，但这本身很危险 - 你确定没有文件中的 XML <sub> 元素？ <strike> 呢？ <head>?这里真正的问题是需要正确生成 XML。

【解决方案2】：

正如上一个答案的 cmets 所指出的那样——作为开发人员，我们并不总是能够在反序列化之前对 XML 进行格式化。在我看来，有一个更优雅的解决方案可以满足最初的问题。

序列化器

public static T ParseXml<T>(this string @this) where T : class
{
    var serializer = new XmlSerializer(typeof(T));
    serializer.UnknownElement += Serializer_UnknownElement;
    return serializer.Deserialize(new StringReader(@this)) as T;            
}

处理有问题的字段

private static void Serializer_UnknownElement(object sender, XmlElementEventArgs e)
{
    if (e.ObjectBeingDeserialized is Article article)
    {
        if (e.Element.Name == "title")
        {
            article.Title_Custom = e.Element.InnerXml;
            return;
        }
    }
}

对文章类的修改

public class Article{
  // include your other fields that are not problematic
  public string Title_Custom { get; set; }
}

用法

var myArticles = articlesXmlString.Parse<List<Article>>();
Console.Out(myArticles[0].Title_Custom); // "A LMI-Based Algorithm for Designing Suboptimal Static H<sub>2</sub>/H<sub>infinity</sub> Output Feedback Controllers"

因为现在属性的名称是Title_Custom，它自然会作为反序列化过程的一部分被跳过。然后Serializer_UnknownElement 方法将在<title> 字段中读取为未知字段。然后，您只需拉取内部 XML 的全部内容。

包含<sup> 将绊倒Serializer_UnknownElement，但由于您没有条件，它会跳过它。

最终结果是Title_Custom 现在将按预期包含完整的 HTML sn-p。

【讨论】：