操作格式良好的XML（在linux下運行的任何語言）

Question

我有良好的xml（開放標籤已關閉等），但沒有dtd，命名空間並不總是正確的，並且存在隨機實體。

我在一些xml文件中發現了錯誤，並且想自動修復此錯誤。本質上，XML文件看起來像這樣：

<foo> 
    <bar>  hi </bar> 
    <!-- ... --> 
    <math><sometag><another>bar</another></sometag></math> 
    <!-- ... --> 
</foo> 

我想改變這

<foo> 
    <bar>  hi </bar> 
    <!-- ... --> 
    <m:math><m:sometag><m:another>bar</m:another></m:sometag></m:math> 
    <!-- ... --> 
</foo> 

我看着Python的ElementTree的，但根據diveintopython的也不會喜歡這樣的事實，它不驗證XML ？另外，除了使用m:的前綴之外，不應該更改任何內容。

由於我正在寫一堆shell腳本來修復文件，我並不真正關心這門語言，儘管我目前選擇的武器是Python。

澄清：

• 的XML並通過在其上執行xmllint
• 我真的想要一個XML解決方案，因爲解析使用正則表達式XML的方式古怪
• 我不知道可以在<math>和</math>之間的標籤的名稱
• 不應修改文檔，但 th前綴標記的前綴m:

Answer 1

在Ruby中，使用引入nokogiri按摩XML：

xml = <<EOT 
<foo> 
    <bar>  hi </bar> 
    <!-- ... --> 
    <math><sometag><another>bar</another></sometag></math> 
    <!-- ... --> 
</foo> 
EOT 

NAMESPACE = %w[m http://host.com/m] 

require 'nokogiri' 
doc = Nokogiri::XML::DocumentFragment.parse(xml) 

ns = doc.at('foo').add_namespace_definition(*NAMESPACE) 

doc.xpath('foo/math | foo/math//*').each { |n| n.namespace = ns } 

puts doc.to_xml 

輸出看起來像：

>> <foo xmlns:m="http://host.com/m"> 
>> <bar>  hi </bar> 
>> <!-- ... --> 
>> <m:math><m:sometag><m:another>bar</m:another></m:sometag></m:math> 
>> <!-- ... --> 
>> </foo> 

如果命名空間不能被添加到<foo>，那麼你可以Munge時間標籤名稱直接與名稱空間無關：

xml = <<EOT 
<foo> 
    <bar>  hi </bar> 
    <!-- ... --> 
    <math><sometag><another>bar</another></sometag></math> 
    <!-- ... --> 
</foo> 
EOT 

NAMESPACE = %w[m http://host.com/m] 

require 'nokogiri' 
doc = Nokogiri::XML::DocumentFragment.parse(xml) 

doc.xpath('foo/math | foo/math//*').each { |n| n.name = "m:" << n.name } 

puts doc.to_xml 

# >> <foo> 
# >> <bar>  hi </bar> 
# >> <!-- ... --> 
# >> <m:math><m:sometag><m:another>bar</m:another></m:sometag></m:math> 
# >> <!-- ... --> 
# >> </foo> 

Answer 2

Perl中的單行表示ok嗎？

$ perl -lne'm!<math>.*</math>! and s!<(/)?([^>]+)>!<$1m:$2>!gm;print' 5351382.txt 
<foo> 
    <bar>  hi </bar> 
    <!-- ... --> 
    <m:math><m:sometag><m:another>bar</m:another></m:sometag></m:math> 
    <!-- ... --> 
</foo> 

你真的不應該解析XML這種方式...但如果上面是夠你...;）

Answer 3

你最好的選擇可能是要找到一個非驗證XSLT處理器並通過它像： <xsl:template match="math"> <m:math> <xsl:apply-templates select="@*|node()"/> </m:math> </xsl:template>

Answer 4

在Perl中你可以使用XML::Twig，例如像這樣：

#!/usr/bin/perl 

use strict; 
use warnings; 

use XML::Twig; 

XML::Twig->new(twig_roots => { math => \&add_prefix }, 
       twig_print_outside_roots => 1, 
      ) 
     ->parse(\*DATA); 

sub add_prefix 
    { my($t, $math)= @_; 
    foreach my $m ($math, $math->descendants('#ELT')) 
     { $m->set_tag("m:" . $m->tag); } 
    $t->flush; 
    } 

__DATA__ 
<foo> 
    <bar>  hi </bar> 
    <!-- ... --> 
    <math><sometag><another>bar</another></sometag></math> 
    <!-- ... --> 
</foo> 

Answer 5

也許BeautifulSoup將比Python內置的東西更好地爲您服務。它主要設計用於HTML，但可以做的XML爲好，雖然......

的BeautifulSoup類是全網頁瀏覽器般的啓發式方法佔卜HTML作者的意圖。但是XML沒有固定的標籤集，所以這些啓發式不適用。所以BeautifulSoup不會很好地執行XML。

它可能不是完美的，但可能比未嚴格解析器的未指定或無效XML更好。有利於它的另一點是它gives you Unicode, dammit。