ruby - 如何在ruby中整理格式错误的xml

我在整理从SEC's edgar database返回的格式错误的xml代码时遇到问题。
出于某种原因，它们有可怕的xml格式。包含任何类型字符串的标记不会关闭，它实际上可以在其他标记中包含其他XML或HTML文档。正常情况下，我会把这个关在Tidy上，但这并没有得到维护。
我试过使用nokogiri：：xml：：sax：：parser，但这似乎让人窒息，因为标记没有关闭。它似乎工作得很好，直到它击中第一个结束标记，然后它不再对他们开火。但它吐出了正确的角色。

  class Filing < Nokogiri::XML::SAX::Document
    def start_element name, attrs = []
      puts "starting: #{name}"
    end

    def characters str
      puts "chars: #{str}"
    end

    def end_element name
      puts "ending: #{name}"
    end
  end

这似乎是最好的选择，因为我可以让它忽略其他xml或html文档。另外，这将是最有意义的，因为其中一些文档可能会变得很大，因此将整个dom存储在内存中可能行不通。
以下是一些示例文件：1 2 3
我开始认为我只需要编写自己的自定义解析器

最佳答案

nokogiri的正常dom模式能够自动修复xml，因此它在语法上是正确的，或者是它的合理传真。它有时会混淆并移动结束标记，但如果需要的话，可以对文件进行预处理，使其朝正确的方向移动。
我将xml 1保存到一个文档中并加载它：

require 'nokogiri'

doc = ''
File.open('./test.xml') do |fi|
  doc = Nokogiri::XML(fi)
end

puts doc.to_xml

在解析之后，您可以检查nokogiri：：xml：：document实例的errors方法，查看生成了哪些错误，以获得不正当的乐趣。

doc.errors

如果使用nokogiri的dom模型还不够好，您是否考虑过使用XMLLint来预处理和清理数据，发出干净的xml以便sax工作？它的--recover选项可能有用。

xmllint --recover test.xml

它将在stderr上输出错误，并在stdout上输出代码，因此您可以轻松地将其管道化到另一个文件。
至于编写自己的解析器…为什么？你还有其他的选择，重新设计一个实现良好的轮子并不是一个很好的时间利用。