正則表達式處理xml十六進位異常

     自從我們的項目數據層從讀取資料庫改為讀取介面服務後，經常會出現一些類似於的錯誤。我們的數據結構如下所示

1    <type><![CDATA[gp]]></type> 
2           <detail><![CDATA[劉?->->，C#為正則表達式提供了強大的支持，本課程重點講述在C#環境下使用正則表達式，並能夠學會分析創建屬於自己的正則表達式，學習正則表達式請訪問http://edu.51cto.com/course/course_id-4664.html]]></detail> 
3   <housepurpose><![CDATA[住宅]]></housepurpose>

在用戶輸入的數據中常常有一些小人箭頭之類的特殊符號（由於在www.cnblogs.com/xietong下不支持這些特殊符號，所以讀者在我舉例的數據結構中看不到這些特殊符號），我曾經嘗試匹配這些特殊字元，然而未能找到與之相匹配的unicode代碼區塊，所以採用了匹配正常字元的方式來獲取合法的數據用於xml解析。可以看到我們數據中的字元包括字母數字、各種標點、空白符，據此可以寫出我們的正則表達式"(\w|\p{P}|\s)*"。在RegxTest下測試發現無法匹配“<>=”這些符號，加上這些符號後正則表達式為"(\w|\p{P}|[<>=]|\s)*"，經測試，發現可以獲取到所有正常的字元，在c#中代碼如下：

           string content = sb.ToString();
            MatchCollection matches = Regex.Matches(content, @"(\w|\p{P}|[<>=]|\s)*");
            sb = new StringBuilder();
            foreach (Match m in matches)
            {
                sb.Append(m.Value);
            }
            content = sb.ToString();

　　在運行之後發現類似異常雖然少了很多，但還是有一部分異常，查看這些異常發現造成這些異常的原因正是存在16進位的字元，數據如下：

1  <shinimgs><![CDATA[http://img6n.soufunimg.com/viewimage/agents/2015_08/24/M09/01/12/wKgEUFXaYrSILIxEAAClop_zcLMAABrYAEF2hoAAKW6316/120x120.jpg;http://img7.soufunimg.com/viewimage/agents/2015_08/24/M01/0C/FA/wKgEKlXaYrWIOQbmAACrV5PpfxIAAURwACqFtkAAKtv885/120x120.jpg;http://img7.soufunimg.com/viewimage/agents/2015_08/24/M04/0C/FA/wKgELFXaYrSIVo9xAAB3vv5fpe8AAURuwMY6CsAAHfW851/120x120.jpg;http://img6n.soufunimg.com/viewimage/agents/2015_08/24/M00/01/12/wKgEUFXaYrSIQR6mAABxJ5OYy6AAABrWQPffz0AAHE_808/120x120.jpg]]></shinimgs> 
2           <xqimgs><![CDATA[http://img7.soufunimg.com/viewimage/agents/2015_05/11/M08/08/BD/wKgELFVQEdqIFbqUAADuyIgGO48AANp_AOJcvcAAO7g917/120x120.jpg;http://img7.soufunimg.com/viewimage/agents/2015_08/24/M01/0C/FA/wKgEK1XaYrWIaxkaAACwvmucOS8AAURwACqwkgAALDW084/120x120.jpg;http://img7.soufunimg.com/viewimage/agents/2015_07/04/M08/0A/E5/wKgEKlWXSA2IXitfAACu3NyaN_wAARBpgNFzlcAAK70576/120x120.jpg;http://img7.soufunimg.com/viewimage/agents/2015_05/11/M08/08/BD/wKgELFVQEd-IJevUAACSMy8yODUAANp_AOZCjMAAJJL453/120x120.jpg;http://img7.soufunimg.com/viewimage/agents/2015_05/11/M09/08/BD/wKgELFVQEd-ISF5YAADAL5IP7McAANqDAHBU9cAAMBH365/120x120.jpg]]></xqimgs> 

      如果直接將0x式樣的16進位去掉，那麼這些圖片就無法找到正確地址，似乎有些粗魯。為此，我決定將相應的變數先取出來，然後在讀取出來的DataSet中重新對相應欄位賦值。我的代碼如下：

 1    MatchCollection imatches = null;
 2             if (Regex.IsMatch(content, "0x[0-9a-fA-F]+", RegexOptions.IgnoreCase))
 3             {
 4                 Regex regex = new Regex(@"<(?'tag'\w+?)><!\[CDATA\[(?'text'.*?0[Xx].*?)\]\]></\k'tag'>");
 5                 imatches = regex.Matches(content);
 6                 if (imatches != null)
 7                 {
 8                     content = regex.Replace(content, "<${tag}></${tag}>");
 9                 }
10             }
11 
12             System.Xml.XmlDocument xd = new System.Xml.XmlDocument();
13             xd.LoadXml(content);
14             System.Xml.XmlNodeReader xnr = new System.Xml.XmlNodeReader(xd);
15             ds.ReadXml(xnr);
16             xnr.Close();
17             if (imatches != null && imatches.Count > 0 && ds != null && ds.Tables.Count > 0)
18             {
19                 foreach (Match m in imatches)
20                 {
21                     foreach (DataTable table in ds.Tables)
22                     {
23                         if (table.Columns.Contains(m.Groups["tag"].Value))
24                         {
25                             table.Rows[0][m.Groups["tag"].Value] = m.Groups["text"].Value;
26                             break;
27                         }
28                     }
29                 }
30             }

          在上面的代碼中用到了正則的文本替換及分租，如果有不理解的地方可以在http://edu.51cto.com/course/course_id-4664.html中學習一下基本的C#正則表達式知識。

         上面的代碼經測試可以正常運行，但放到那裡呢，雖然在try-catch拋出異常，在異常中處理的話要耗費幾百個時鐘周期，但鑒於問題數據只是一小部分，並且上面的正則表達式的效率並不太高，所以我將上面的代碼放在了catch語句塊中。