如何从HTTParty中的xml文件中删除非法字符？

Question

我试图使用HTTParty gem下载其中带有'＆'符号的xml文件，但出现此错误：

"treeparser.rb:95:in `rescue in parse' <RuntimeError: Illegal character '&' 
 in raw string  "4860 BOOMM 10x20 MD&"> (MultiXml::ParseError)"

这是我的代码：

class SAPOrders
  include HTTParty
  default_params :output => 'xml'
  format :xml
  base_uri '<webservice url>'
end

xml =  SAPOrders.get('/<nameOfFile.xml>').inspect

我想念什么？

Answer 1

如果您使用的是HTTPParty，并且它尝试解析传入的XML，然后才能使用它，那么您需要将该进程分为get和parse，以便将代码放在两者之间。

出于这些原因，我使用OpenURI和Nokogiri，但是无论您使用这两者还是它们的等效物，您都将有机会在解析XML之前对其进行预处理。 ' & '裸露时是非法字符； 它应该被编码或放在CDATA块中，但是不幸的是，在互联网的狂野中，有许多格式不正确的XML提要和文件。

我喜欢Nokogiri来完成这项任务的事情是，它至少一直在努力挣扎。 您可以查看文档解析后是否有错误，还可以调整其某些解析器设置来控制文档的工作或抱怨：

require 'nokogiri'

doc = Nokogiri::XML(<<EOT)
<a>
  <b parm="4860 BOOMM 10x20 MD&">foobar</b>
</a>
EOT

puts doc.errors
puts doc.to_xml

将输出：

xmlParseEntityRef: no name
<?xml version="1.0"?>
<a>
  <b parm="4860 BOOMM 10x20 MD">foobar</b>
</a>

请注意，Nokogiri剥离了&但我仍然能够获得可用的输出。 您必须决定是否要出错并使用STRICT选项暂停或继续，但是Nokogiri可以根据您的需要执行任何操作。

您可以处理传入的XML：

require 'nokogiri'

xml = <<EOT
<a>
  <b parm="4860 BOOMM 10x20 MD&">foobar</b>
</a>
EOT

xml['MD&'] = 'MD&amp;'

doc = Nokogiri::XML(xml) do |config|
  config.strict
end

puts doc.errors
puts doc.to_xml

现在输出：

<?xml version="1.0"?>
<a>
  <b parm="4860 BOOMM 10x20 MD&amp;">foobar</b>
</a>

我知道这不是一个完美的答案，但是根据我处理大量RSS / Atom和XML / HTML解析的经验，有时我们不得不打开脏tri的包装袋，然后选择一切可行的方法，而不是优雅的方法。

在HTTParty中实现必杀技的另一条路径是将解析器子类化 。 您应该能够进入XML解析器的流程，并在那里进行分析。 从文档：

# Intercept the parsing for all formats
class SimpleParser < HTTParty::Parser
  def parse
    perform_parsing
  end
end