Cómo eliminar atributos duplicados de XML con C#

Question

Estoy analizando algunos archivos XML de un proveedor de terceros y, lamentablemente, no siempre está bien formado XML, ya que a veces algunos elementos contienen atributos duplicados.

No tengo control sobre la fuente y no sé qué elementos pueden tener atributos duplicados ni conozco los nombres de los atributos duplicados de antemano.

Obviamente, la carga del contenido en un objeto XMLDocument plantea una XmlException en el duplicado atributos así que aunque podría utilizar un XmlReader al paso de que el elemento XML a elemento y hacer frente a los atributos de duplicado cuando llegue al elemento infractor.

Sin embargo, el XmlException se genera en reader.Read() - antes de que tenga la oportunidad de insertar los atributos del elemento.

Aquí está un método de ejemplo para demostrar el problema:

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(); 
} 

¿Hay otra manera de analizar la entrada y quitar los atributos de duplicado sin tener que usar expresiones regulares y la manipulación de cadenas?

Answer 1

Encontré una solución pensando en el XML como un documento HTML. Luego, utilizando la biblioteca de código abierto Html Agility Pack, pude obtener XML válido.

El truco era guardar primero el xml con un encabezado HTML.
Así sustituir a la declaración XML
<?xml version="1.0" encoding="utf-8" ?>
con una declaración de HTML así:
!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Transitional//EN" "http://www.w3.org/TR/xhtml1/DTD/xhtml1-transitional.dtd">

Una vez que el contenido se guarda en un archivo, este método devolverá un documento XML válido.

// 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; 
} 

Los nodos de atributos duplicados son retira automáticamente con los valores de atributo posteriores sobrescribiendo los anteriores.

Answer 2

Ok pienso necesidad de detectar el error:

, entonces debería ser capaz de utilizar los métodos siguientes:

reader.MoveToFirstAttribute(); 

y

reader.MoveToNextAttribute() 

para obtener las siguientes propiedades:

reader.Value 
reader.Name 

Esto le permitirá obtener todos los valores de los atributos.