Jak usunąć zduplikowane atrybuty z kodu XML za pomocą C#

Question

Parsuję niektóre pliki XML od zewnętrznego dostawcy i niestety nie zawsze jest to dobrze sformatowany kod XML, ponieważ czasami niektóre elementy zawierają zduplikowane atrybuty.

Nie mam kontroli nad źródłem i nie wiem, które elementy mogą mieć zduplikowane atrybuty, ani nie znam z góry zduplikowanych nazw atrybutów.

Oczywiście ładowanie zawartości do obiektu XMLDocument podnosi XmlException w dwóch egzemplarzach atrybuty więc chociaż mógłbym użyć XmlReader do kroku chociaż elementu XML przez elementu i radzić sobie z duplikat atrybuty kiedy się do elementu naruszającego.

Jednak XmlException został podniesiony na reader.Read() - zanim otrzymam szansę na odszukanie atrybutów elementu.

Oto przykładowy sposób, aby wykazać problem:

public static void ParseTest() 
{ 
    const string xmlString = 
     @"<?xml version='1.0'?> 
     <!-- This is a sample XML document --> 
     <Items dupattr=""10"" id=""20"" dupattr=""33""> 
      <Item>test with a child element <more/> stuff</Item> 
     </Items>"; 

    var output = new StringBuilder(); 
    using (XmlReader reader = XmlReader.Create(new StringReader(xmlString))) 
    { 
     XmlWriterSettings ws = new XmlWriterSettings(); 
     ws.Indent = true; 
     using (XmlWriter writer = XmlWriter.Create(output, ws)) 
     { 
      while (reader.Read()) /* Exception throw here when Items element encountered */ 
      { 
       switch (reader.NodeType) 
       { 
        case XmlNodeType.Element: 
         writer.WriteStartElement(reader.Name); 
         if (reader.HasAttributes){ /* CopyNonDuplicateAttributes(); */} 
         break; 
        case XmlNodeType.Text: 
         writer.WriteString(reader.Value); 
         break; 
        case XmlNodeType.XmlDeclaration: 
        case XmlNodeType.ProcessingInstruction: 
         writer.WriteProcessingInstruction(reader.Name, reader.Value); 
         break; 
        case XmlNodeType.Comment: 
         writer.WriteComment(reader.Value); 
         break; 
        case XmlNodeType.EndElement: 
         writer.WriteFullEndElement(); 
         break; 
       } 
      } 

     } 
    } 
    string str = output.ToString(); 
} 

Czy istnieje inny sposób na analizę danych wejściowych i usunąć duplikaty atrybutów bez konieczności używania wyrażeń regularnych i łańcuchach?

Answer 1

Znalazłem rozwiązanie, myśląc o XML jako dokumencie HTML. Następnie korzystając z biblioteki open-source Html Agility Pack, udało mi się uzyskać poprawny XML.

Sztuką było najpierw zapisać xml z nagłówkiem HTML.
więc zastąpić deklarację XML
<?xml version="1.0" encoding="utf-8" ?>
z deklaracją HTML tak:
!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Transitional//EN" "http://www.w3.org/TR/xhtml1/DTD/xhtml1-transitional.dtd">

Gdy zawartość są zapisywane do pliku, metoda ta zwróci ważnego dokumentu XML.

// Requires reference to HtmlAgilityPack 
public XmlDocument LoadHtmlAsXml(string url) 
{ 
    var web = new HtmlWeb(); 

    var m = new MemoryStream(); 
    var xtw = new XmlTextWriter(m, null); 

    // Load the content into the writer 
    web.LoadHtmlAsXml(url, xtw); 

    // Rewind the memory stream 
    m.Position = 0; 

    // Create, fill, and return the xml document 
    XmlDocument xmlDoc = new XmlDocument(); 
    xmlDoc.LoadXml((new StreamReader(m)).ReadToEnd()); 
    return xmlDoc; 
} 

duplikatów węzłów atrybutu automatycznie usuwane z późniejszym wartości atrybutów zastępując wcześniejsze.

Answer 2

Ok że trzeba złapać błąd:

to powinieneś być w stanie korzystać z następujących metod:

reader.MoveToFirstAttribute(); 

i

reader.MoveToNextAttribute() 

uzyskać następujące właściwości:

reader.Value 
reader.Name 

Pozwoli to uzyskać wszystkie wartości atrybutów.