如何从有效的XML标记外部删除垃圾信息？

Question

我有一系列由数据回放实用程序生成的XML文件。该实用程序生成格式正确的XML标记。不幸的是，这个实用程序并不完美。它试图序列化的一些Java对象失败了，它们被简单地插入(作为二进制blob)在这些其他有效的XML标记之间。

例如..。

<track>
<cto>Valid_XML_HERE</cto>@Binary_Blob_of_Junk@<cto>(...)</cto>
</track>

环境是RHEL-5，这意味着可以使用Python2.4、Perl或SED/AWK解决方案。

对如何删除垃圾有什么建议吗？

Answer 1

我基于Birei的建议来检查树元素，但是想出了一个仅适用于SED的解决方案。如操作中所示，<cto>标记恰好在一个连续的行上。然后，解决方案是拆分行，使得每个<cto>标记都在一个新的行上--因此，也将垃圾二进制数据隔离在新的行上--然后简单地选择以<cto>标记开始的行。

可以通过CAT将<tracks>和</tracks>标记简单地添加到新文件中。

以下是我测试过并确认有效的SED命令。

步骤1.隔离要在新行上的<cto>标记。

sed -i "s/<cto/\n<cto/g;s/<\/cto>/<\/cto>\n/g" ${FILE}

步骤2.只选择以<cto>标记开头的行。

sed -i "/<cto/p" ${FILE}

步骤3.格式化新的XML文档。

xmllint --format "${FILE}" > foo.xml

感谢你们各自的投入。

Answer 2

使用XML::Twig解析器删除track标记文本的其他方法：

#!/usr/bin/env perl

use strict;
use warnings;
use XML::Twig;

my $twig = XML::Twig->new(
    twig_handlers => {
        track => sub {
            for my $t ( $_->children() ) { 
                if ( $t->is_text ) { 
                    $t->set_text( '' );
                }   
            }   
        }   
    },  
    pretty_print => 'indented',
)->parsefile( shift)->print;

使用您的文件作为第一个(也是唯一的)参数运行它：

perl script.pl xmlfile

Answer 3

下面是Perl为您提供的快速解决方案。

#!/usr/bin/perl -Tw

use strict;
use warnings;
use English qw( -no_match_vars $INPUT_RECORD_SEPARATOR );

my $text = do { local $INPUT_RECORD_SEPARATOR = undef; <>; };

my @ctos = $text =~ m{<cto>( .+? )</cto>}xmsg;

if ( @ctos ) {

    printf '<track><cto>%s</cto></track>', join '</cto><cto>', @ctos;
}

print "\n";

你可以像这样通过管道传输你的曲目文本：

$:  cat track.txt | ./clean_track.pl 
<track><cto>Valid_XML_HERE</cto><cto>(...)</cto></track>