任意文本中的合法XML串提取

Bible_Chou 2006-11-20 10:45:17
问题描述：现有一段任意文本串(ASCII格式的字符串)，其中可能包含一段或者间隔的几段合法或者不合法的XML串，要求我们对这一段文本进行解析。如果其中包含合法的XML串，则以字符串的形式提取出这些XML串，如果其中不包含XML串则返回无合法XML串结果，如果其中包含非法的XML要么返回无合法XML串的结果或者指出非法XML串的位置。
输入参数：char *text(或者string);
输出结果：
1.合法的XML串：以char *(或者string)的形式输出。
2.非法的XML串：忽略或者以串的形式输出或者指出位置。

ps : 本人最近正在做一个解析器，遇到其中嵌套XML串的情况，希望朋友们能给出帮助和指点。如果分数不够可以再加。
...全文
469 21 打赏 收藏 转发到动态 举报
AI 作业
写回复
用AI写文章
21 条回复
切换为时间正序
请发表友善的回复…
发表回复
Bible_Chou 2006-11-23
  • 打赏
  • 举报
 回复
顶
mLee79 2006-11-22
  • 打赏
  • 举报
 回复
这咋会是例程呢, 我才写的用来提取文件里合法的 xml 片断的, 如果是自己定义的格式, 处理起来会更简单, 同时处理脚本和xml也没什么问题吧 ...

就是这个效果:

$ cat test.x; flex xml_p.l; gcc xml_p.cpp -lstdc++;echo -------- result ----------; ./a test.x
asdfasdfasdfasdfasdfasdfasdfasdfasdsf

<abc xx='yy' tt="zz" />

asdfasdfasdfasdfasdfasdfasdfasdfasdsf

<a xx='yy' tt="zz" > athsdfasdf
asdfasdf<abc>
asdfasdfasdf
</abc>
asdf;laksdjfa;sdkfl
</a>


asdfasdfasdfffffffffffffffffffffff

-------- result ----------

<abc xx='yy' tt="zz" />


<a xx='yy' tt="zz" > athsdfasdf
asdfasdf
asdf;laksdjfa;sdkfl
<abc>
asdfasdfasdf
</abc></a>
Bible_Chou 2006-11-22
  • 打赏
  • 举报
 回复
首先谢谢mLee79。
上面的的例程是采用Lex来解析一段XML代码，这个在后面单独解析XML的时候会用到，不过是下一步的工作。我目前需要做的是确定我的一段脚本(在此应该理解其为一段任意文本，并非是XML)中是否存在XML代码，如果存在就提取出来，然后解析这段XML,因为存在文法冲突所以是不能同时解析脚本和XML的。现在的重点是从脚本中提取XML而非解释。
ps : 我已经采用手工查找starttag和endtag的方法基本解决了这个问题，但是存在着一些问题，所以在此希望大家能继续提出一些其他解决方案。再次谢谢大家，对于一些比较好的建议我会酌情加分的。欢迎继续讨论。
mLee79 2006-11-22
  • 打赏
  • 举报
 回复
试试这个, 处理的特别粗糙了点 .....


%{
#include <iostream>
#include <string>
#include <vector>
using namespace std;

struct xNode
{
string nodeName;
string xmlCode ;
};

vector<xNode> xStack;
xNode xNodeCurr;
string xCurrValidDoc;
string xTempCtx;

#define YY_NEVER_INTERACTIVE (1)

void xError()
{
// cerr << "ERROR: " << xTempCtx << endl;
if( xCurrValidDoc != "" ) cout << "\n" << xCurrValidDoc << "\n" << endl;
xStack.clear(); xCurrValidDoc = ""; xTempCtx = "";
}

#define xONERROR xError()

#define xADDTEMP do { xTempCtx+=yytext; } while(0)

%}



WS [[:blank:]\r\n]+
OPTWS [[:blank:]\r\n]*
IDEN [[:alpha:]_\:][[:alnum:]_\-\:]*
ATTRVALUE (\"[^\"<]*\"|\'[^\'<]*\')
ATTR {IDEN}{OPTWS}"="{OPTWS}{ATTRVALUE}
NOTLT [^<]|\r|\n
ANYC .|\r|\n
VERSIONNUN \'([a-zA-Z0-9_.:]|-)+\'|\"([a-zA-Z0-9_.:]|-)+\"

%option caseless outfile="xml_p.cpp" stack nodefault noyy_top_state
%x COMMENT PLOG CDATA NODEBEGIN NODEEND

%%
<INITIAL>{
"<!--" {xADDTEMP; BEGIN(COMMENT); }
\<\?{IDEN} {xADDTEMP; BEGIN(PLOG); }
"<![CDATA[" {xADDTEMP; BEGIN(CDATA);}
"<"{IDEN} {xNodeCurr.nodeName=yytext+1;xNodeCurr.xmlCode=yytext;BEGIN(NODEBEGIN);}
"</"{IDEN} {xNodeCurr.nodeName=yytext+2;xNodeCurr.xmlCode=yytext;BEGIN(NODEEND); }
"<" {xONERROR;}
{ANYC} {xADDTEMP;}
}
<COMMENT>{
"-->" {xADDTEMP;BEGIN(INITIAL);}
{ANYC} {xADDTEMP;}
}
<PLOG>{
"?>" {xADDTEMP;BEGIN(INITIAL);}
{ANYC} {xADDTEMP;}
}
<CDATA>{
"]]>" {xADDTEMP;BEGIN(INITIAL);}
{ANYC} {xADDTEMP;}
}
<NODEBEGIN>{
{WS}|{ATTR} {xNodeCurr.xmlCode += yytext;}
"/>" {
xNodeCurr.xmlCode += yytext;
if( !xStack.size() )
cout << "\n" << xNodeCurr.xmlCode << "\n" << endl;
else if( xCurrValidDoc == "" )
xCurrValidDoc = xNodeCurr.xmlCode;

xTempCtx += xNodeCurr.xmlCode;
BEGIN(INITIAL);
}
">" {
xNodeCurr.xmlCode += yytext;
if( xStack.size() ) xStack.back().xmlCode += xTempCtx; xTempCtx = "" ;
xStack.push_back( xNodeCurr );
BEGIN(INITIAL);
}
{ANYC} {xONERROR; BEGIN(INITIAL);}
}
<NODEEND>{
{WS} {xNodeCurr.xmlCode += yytext;}
">" {
xNodeCurr.xmlCode += yytext;
if( xStack.size() ) xStack.back().xmlCode += xTempCtx; xTempCtx = "" ;
if( !xStack.size() || xStack.back().nodeName != xNodeCurr.nodeName )
{
xONERROR;
}
else
{
xCurrValidDoc = xStack.back().xmlCode + xCurrValidDoc + xNodeCurr.xmlCode;
xStack.pop_back();
}
BEGIN(INITIAL);
}
{ANYC} {xONERROR; BEGIN(INITIAL); }
}
<COMMENT,PLOG,CDATA,NODEBEGIN,NODEEND><<EOF>> {
cerr << "\nUNEXPECTED EOF detected." << endl;
xONERROR; yyterminate();
}

%%
int yywrap() { return 1; }
int main( int argc , char* argv[] )
{
if( argc != 2 || !freopen( argv[1] , "r" , stdin ) )
cerr << "usage: xx <file>" << endl , exit(-1);
yylex();
if( xCurrValidDoc != "" ) cout << "\n" << xCurrValidDoc << "\n" << endl;
return 0;
}

Bible_Chou 2006-11-22
  • 打赏
  • 举报
 回复
mLee79：说得比较在理。昨天上午已经在开始手工写提取XML串的模块。其实我目前正在做的是一个脚本解释器，其中需要直接支持XML表达式XML Expr以及正则式表达式Reg Expr.
Mobidogs 2006-11-22
  • 打赏
  • 举报
 回复
#include <msxml.h> 或 #include <msxml2.h>


Bible_Chou 2006-11-22
  • 打赏
  • 举报
 回复
感谢mLee79。
在此有必要说明一下，我说的例程并非是说你上面的程序是从其他地方引用的已有的程序，而是说你给出的处理本问题的示例程序。
你上面的做法的确是已经达到了预期目的解析，“分离并提取XML代码”，但是由于lex冲突以及接口等原因，所以在我现在的情况下最好不要这么实现。可能我上面并没有首先说清楚这些情况，在此表示歉意。
ps : 问题我已经解决，不过还是希望能看到大家能给出的一些解决方案和建议，所以欢迎大家继续讨论。本贴打算本周末结贴，如果没有其他人提出其他的更好的方案，将给mLee79z这位朋友70%的分数(之所以70%是为了以防斑竹误以为倒分)。
mydaisy 2006-11-21
  • 打赏
  • 举报
 回复
mark
Bible_Chou 2006-11-21
  • 打赏
  • 举报
 回复
再顶。
ming4098 2006-11-21
  • 打赏
  • 举报
 回复
mark
mLee79 2006-11-21
  • 打赏
  • 举报
 回复
就是做一个有错误恢复功能的 xml parser , 感觉如果不用考虑很多细节性的问题像 dtd , entity 什么的, 也不要求非常的完善的话, 并不复杂 ....
先做一个 xml 的词法分析器, 将文件分解为 xml 预处理 <?...?> , 注释 <!--...--> , 节点开始 <nodeName(attlist)> , 节点结束 </nodeName> , <nodeName(attrList)/>等等, 这个用 lex 简单些, 手写也不麻烦 ...
然后起个 xml 解析栈, 遇节点开始压栈, 遇节点结束则与栈顶元素比较, 匹配则记录为当前最大的有效 xml 文本并出栈, 如发生错误或不匹配则输出当前最大匹配的有效 xml 文本并清空当前解析栈 直到文件结束, 这个比较简单, 没啥必要动用 yacc 啥的重型工具 ...
Bible_Chou 2006-11-21
  • 打赏
  • 举报
 回复
再顶。
OOPhaisky 2006-11-20
  • 打赏
  • 举报
 回复
对，用现成的xml库比较方便，但是如果楼主对xml有很深入的研究，不用也可以。
Bible_Chou 2006-11-20
  • 打赏
  • 举报
 回复
需要注意的是要分析的文本是任意文本，只是其中可能包含合法或者不合法的XML串。
Bible_Chou 2006-11-20
  • 打赏
  • 举报
 回复
谢谢上面的几位朋友。不过我当前要做的是判断这段文本中是否有合法的XML串，如果有则定位并且返回这XML串。
jixingzhong 2006-11-20
  • 打赏
  • 举报
 回复
libxml 或者是 MSXML ，
基于现成的库，比较快捷一些 ～
jixingzhong 2006-11-20
  • 打赏
  • 举报
 回复
VC使用MSXML解析XML文档

现在XML文档应用的方面特别的多.

我把以前写过的一个例子帖出来,以备以后使用.

第一部分：DOM解析：

概述：DOM解析将会把一个完整的XML文档读进来，生成一个结构树。这样会要把XML文档全部都加载到内在中。所以解析起来的速度会要慢一些。

1、如何加载xml文件：

//创建DOM,加载XML文档
MSXML::IXMLDOMDocumentPtr pCommandDoc;
pCommandDoc.CreateInstance(__uuidof(MSXML::DOMDocument));
pCommandDoc->put_async(VARIANT_FALSE);
pCommandDoc->put_validateOnParse(VARIANT_FALSE);
pCommandDoc->put_resolveExternals(VARIANT_FALSE);
pCommandDoc->put_preserveWhiteSpace(VARIANT_TRUE);
pCommandDoc->load(file.GetBuffer(0));

2、在XML文档中查找指定的结点：

//找到
MSXML::IXMLDOMNodePtr pRootNode=pCommandDoc->selectSingleNode("root/record");
if (pRootNode==NULL)
{
return ;
}

3、得到XML文档中，结点的属性

CString strTemp;
MSXML::IXMLDOMNamedNodeMapPtr pAttrs = NULL;
pRootNode->get_attributes(&pAttrs);
if (pAttrs==NULL)
{
return;
}
MSXML::IXMLDOMNodePtr pRequestTypeAttr=pAttrs->getQualifiedItem("name","");
_bstr_t strRequestType=pRequestTypeAttr->Gettext();
strTemp=strRequestType.operator char *();

4、得到结点的内容

_bstr_t strVisiPort=pNode->Gettext();

5、设置结点的内容

HRESULT hr=pNode->put_text(_bstr_t(m_strGatewayPassword));


6、设置一个属性内容
IXMLDOMAttribute *pa=NULL;
bstr = SysAllocString(L"属性1");
pXMLDom->createAttribute(bstr,&pNode);
var = VariantString(L"strin");
pa->put_value(var);
pRoot->setAttributeNode(pa, &pa1);

第二部分、如何使用SAX解析

概述：SAX使用的是加载式的，将会把XML文档分断，加载到内存中。使用事件通知的方式，来表示找到结点。好像没有写文档的能力吧。它的速度要比DOM快不少。

使用SAX的时候，就需要重载MSXML4.0中的一个接口ISAXContentHandler。

有几个函数重载了之后，当找到了结点之后，就会回调这一些函数。
jixingzhong 2006-11-20
  • 打赏
  • 举报
 回复
写Unmanaged Code在.NET时代成为一种很悲惨的事，当你需要处理XML文件时，这种感觉会变得尤其强烈。FCL中的System.Xml多简单啊，连Steve Ballmer都知道怎么用。
事情不会总是那么理想的，如果你要在C/C++程序里处理XML怎么办呢？

选择一：市面上的XML lib还是有几个的，最有名的当然是libxml。我一年前用过，很不错，我还特意写了一份简明教程，后来不知搁哪儿了。

选择二：MS的MSXML，我要介绍的就是这个。

先说一下在MSDN哪里找文档吧，往下看的时候也好有个参考：在Index里打：Windows Media Services 9 Series SDK=>Programming Reference=>Programming Reference (C++)=>XML DOM Interfaces (C++)。什么？Windows Media？呵呵，不错，我觉得这个guide反而是最清楚的，你直接找MSXML，得到的结果，我觉得还没这个好。

在C程序里调用MSXML基本就是一堆COM接口，不过在Visual Studio里操作先要做点简单的设置：

在你的Project里Add References=>COM标签=>Microsoft XML v4.0，5.0其实也有了，但因为是和Office一起发布的，觉得有点怪，不想用，反正也未必用什么很怪异的功能，4.0可以了。



然后在加入这两行：

#include <msxml2.h>
#import <msxml4.dll>

头文件和dll库。什么？在哪里加？头文件或者c/cpp文件啊，哪里合适放哪儿。

然后就开始编程了，先定义两个必用的变量：

IXMLDOMDocumentPtr xmlFile = NULL;
IXMLDOMElement* xmlRoot = NULL;

为什么是必用的？　　汗．．．

第一步当然是初始化COM：

if(FAILED(CoInitialize(NULL))) ....

接下来初始化xmlFile对象：

if(FAILED(xmlFile.CreateInstance("Msxml2.DOMDocument.4.0"))) ...

然后就可以加载xml文件了：

_variant_t varXml(L"C:\\test.xml"); //L for unicode
VARIANT_BOOL varOut;
xmlFile->load(varXml, &varOut);

取得root element：

xmlFile->get_documentElement(&xmlRoot))

取得第一级element：

IXMLDOMNodeList* xmlChildNodes = NULL;
xmlRoot->get_childNodes(&xmlChildNodes);

遍历所有第一级element:

IXMLDOMNode* currentNode = NULL;
while(!FAILED(xmlChildNodes->nextNode(¤tNode)) && currentNode != NULL)
{
//do something
}

取得当前element的名称：

BSTR nodeName;
currentNode->get_nodeName(&nodeName);

取得当前element的一个attribute（假设这个attribute叫type）的值：

IXMLDOMNamedNodeMap* attributes = NULL;
IXMLDOMNode* attributeName = NULL;
_bstr_t bstrAttributeName = "type";
BSTR nameVal;
currentNode->get_attributes(&attributes);
attributes->getNamedItem(bstrAttributeName, &attributeName);
attributeName->get_text(&nameVal);

需要注意的是，你要记住释放所有的借口，IXMLDOM***->Release()，这可不是.NET，有人帮你GC，你得自己调用Release()来减reference count，it's COM, remember?

好了，大致就这样，顺便提一下XPath：

_bstr_t bstrXmlQuery = L"/books/book[@type=scifi and @author=fox]";
IXMLDOMNodeList* nodes = NULL;
if(FAILED(xmlRoot->selectNodes(bstrXmlQuery, &nodes)) || FAILED(nodes->get_length(&length)) || length == 0)
//no match found or something went wrong
else
//match found

上面是找这样的node:

<books>
<book type="scifi" author="fox">....
</book>
....
</books>

具体的XPath语法就查手册吧，到处都有。

哦，对了，忘了说：如果你全部用ATL的类的话，借口的调用会简单一点，不过很容易转换的，比如：

IXMLDOMDocument* 对应 IXMLDOMDocumentPtr（我这里用了），其他基本也是加个Ptr，我不废话了。

最后提供一个sample，我临时攒的。工作的时候写的程序当然不能拿来贴的，呵呵。这个sample基本就是遍历整个xml，然后报告一遍文件的结构，对每个node，如果它有一个叫id的attribute，就同时打印id的值。If you want the complete VS project, shoot me an email. But I guess no one really needs it anyway, right, : )

#include "stdafx.h"
#include <windows.h>
#include <msxml2.h>
#import <msxml4.dll>

HANDLE logFile = NULL;

#define INDENT 4

#define TESTHR(hr) \
{ \
if(FAILED(hr)) goto fail; \
}

void PrintChild(IXMLDOMNodeList* nodeList, int level)
{
if(nodeList == NULL)
return;

IXMLDOMNode* currentNode = NULL;
IXMLDOMNodeList* childNodes = NULL;
IXMLDOMNamedNodeMap* attributes = NULL;
IXMLDOMNode* attributeID = NULL;

while(!FAILED(nodeList->nextNode(¤tNode)) && currentNode != NULL)
{
BSTR nodeName;
TESTHR(currentNode->get_nodeName(&nodeName));
DWORD dwBytesWritten;
for(int i=0; i<level*INDENT; i++)
WriteFile(logFile, L" ", (DWORD)(sizeof(WCHAR)), &dwBytesWritten, NULL);

//WCHAR msg[MAX_SIZE];
//wsprintf(msg, L"%s ", nodeName);
WriteFile(logFile, nodeName, (DWORD)(wcslen(nodeName)*sizeof(WCHAR)), &dwBytesWritten, NULL);

TESTHR(currentNode->get_attributes(&attributes));
if(attributes!=NULL)
{
_bstr_t bstrAttributeName = "id";
BSTR idVal;
TESTHR(attributes->getNamedItem(bstrAttributeName, &attributeID));
if(attributeID != NULL)
{
TESTHR(attributeID->get_text(&idVal));
WriteFile(logFile, L" ", (DWORD)(sizeof(WCHAR)), &dwBytesWritten, NULL);
WriteFile(logFile, idVal, (DWORD)(wcslen(idVal)*sizeof(WCHAR)), &dwBytesWritten, NULL);
WriteFile(logFile, L"\r\n", (DWORD)(2*sizeof(WCHAR)), &dwBytesWritten, NULL);
attributeID->Release(); attributeID = NULL;
}
else
{
WriteFile(logFile, L"\r\n", (DWORD)(2*sizeof(WCHAR)), &dwBytesWritten, NULL);
}
attributes->Release(); attributes = NULL;

}
else
{
WriteFile(logFile, L"\r\n", (DWORD)(2*sizeof(WCHAR)), &dwBytesWritten, NULL);
}

TESTHR(currentNode->get_childNodes(&childNodes));
PrintChild(childNodes, level+1);
currentNode=NULL;
}

fail:
if(childNodes!=NULL)
childNodes->Release();
if(attributeID!=NULL)
attributeID->Release();
if(attributes!=NULL)
attributes->Release();
if(currentNode != NULL)
currentNode->Release();
}

int _tmain(int argc, _TCHAR* argv[])
{

IXMLDOMDocumentPtr xmlFile = NULL;
IXMLDOMElement* xmlRoot = NULL;
_variant_t varXml(L"C:\\demo1.xml");

logFile = CreateFile(L"log.txt", GENERIC_WRITE, 0, NULL, CREATE_ALWAYS, FILE_ATTRIBUTE_NORMAL, NULL);
if(logFile == INVALID_HANDLE_VALUE)
goto fail;

TESTHR(CoInitialize(NULL));

TESTHR(xmlFile.CreateInstance("Msxml2.DOMDocument.4.0"));

VARIANT_BOOL varOut;
TESTHR(xmlFile->load(varXml, &varOut));

TESTHR(xmlFile->get_documentElement(&xmlRoot));

BSTR rootName;
DWORD dwBytesWritten;
TESTHR(xmlRoot->get_nodeName(&rootName));
WriteFile(logFile, rootName, (DWORD)(wcslen(rootName)*sizeof(WCHAR)), &dwBytesWritten, NULL);
WriteFile(logFile, L"\r\n", (DWORD)(2*sizeof(WCHAR)), &dwBytesWritten, NULL);

IXMLDOMNodeList* xmlChildNodes = NULL;
TESTHR(xmlRoot->get_childNodes(&xmlChildNodes));

PrintChild(xmlChildNodes, 2);

fail:
if(logFile != INVALID_HANDLE_VALUE)
CloseHandle(logFile);
if(xmlChildNodes!=NULL)
xmlChildNodes->Release();
if(xmlRoot!=NULL)
xmlRoot->Release();
return 0;
}
taodm 2006-11-20
  • 打赏
  • 举报
 回复
直接用现成的xml库不就可以了
Bible_Chou 2006-11-20
  • 打赏
  • 举报
 回复
再顶。
大家提下比较具体的意见阿。
加载更多回复（1）
xml-apis.jar.zip
- **DOM**: DOM是树形模型，将整个XML文档加载到内存中形成一个节点树，允许开发者通过节点关系进行任意位置的访问和修改。DOM适合小型或中型XML文档，提供更灵活的操作，但内存需求较高。 2. **xml-apis.jar**: ...
正则表达式+xml
4. **XPath**：XML路径语言，用于查找XML文档中的节点，支持选择元素、属性、文本等。 5. **XSLT**：转换XML文档的样式表语言，可以将XML转换成HTML或其他格式。 6. **XML Schema**：取代了DTD，提供更强大的数据...
XML示例程序导学（第二版）
此外，XML还与XPath（XML Path Language）紧密关联，XPath是一种在XML文档中查找信息的语言，可以快速定位到XML文档中的特定节点，为数据提取和操作提供了便利。XSD（XML Schema Definition）则是XML的语法规则定义...
2022年WebService期末考试题及答案参照.pdf
【WebService期末考试题及答案详解】 一、XML基础： 1. XML文档的字符集通过`...在实际应用中，这些知识不仅用于创建和验证XML文档，还用于数据转换、数据提取以及与其他XML相关技术（如SOAP、RESTful服务）的交互。
《PythonCook》
字符串和文本处理章节则详细讨论了如何使用多个界定符分割字符串、进行...文本字符串、字符串对齐、合并拼接字符串、字符串中插入变量、以指定列宽格式化字符串、在字符串中处理HTML和XML、字符串令牌解析、实现简单...
C++ 语言

65,186

社区成员

250,526

社区内容

发帖
与我相关
我的任务
社区描述
C++ 语言相关问题讨论，技术干货分享，前沿动态等
c++ 技术论坛（原bbs）
社区管理员
  • C++ 语言社区
  • encoderlee
  • paschen
加入社区
  • 近7日
  • 近30日
  • 至今

加载中

查看更多榜单
社区公告
  1. 请不要发布与C++技术无关的贴子
  2. 请不要发布与技术无关的招聘、广告的帖子
  3. 请尽可能的描述清楚你的问题，如果涉及到代码请尽可能的格式化一下

试试用AI创作助手写篇文章吧

+ 用AI写文章