使用Perl XML :: DOM模块的解析器错误，“引用无效字符号”

Question

我是完整的Perl newb，但我相信学习Perl会比弄清楚如何用awk解析XML更容易。我想从该数据集中解析.sgm文件：

http://kdd.ics.uci.edu/databases/reuters21578/ reuters21578.html

这是十年前新闻社的20,000篇路透社文章的集合，并且是针对某些类型的文本处理的标准测试集。为了简化我的perl测试，我从第一个文件中抓取了前几百行，并进行了test.sgm的编写，直到我的脚本可以正常工作为止。它开始像这样： 通用标签

我使用了 http：// www中的perl脚本。 xml.com/pub/a/2001/05/16/perlxml.html 作为示例，最后得到了extract.pl： 通用标签

我得到以下输出： 通用标签

Google并没有帮助（最热门的页面似乎是遇到与我相同的错误的页面），而我的Perl黑客朋友仍然在维加斯的Blackhat徘徊。有任何想法我做错了什么或如何清理文件？我认为这种不良情况正在“ Unknown”标记内发生，我什至不需要。我真的只想从每篇文章中提取文本。如果您需要更多信息，请告诉我。

Answer 1

数字字符引用“＆＃5;”在有效的XML文档中不合法。我请您参考XML中的 4.1字符和实体引用推荐：

使用字符引用引用的字符必须与Char的产生匹配。

现在，如果我们点击链接并查看 字符 ：

字符::=＃x9 | #xA | #xD | [＃x20-＃xD7FF] | [＃xE000-＃xFFFD] | [＃x10000-＃x10FFFF]

我们看到在有效的XML文档中，有些字符既不能字面显示也不能作为数字字符引用出现。

一个奇怪的东西；我今天已经学到了一些有关XML的知识：）。

在 XML中的ASCII控制字符中查看此对话，以了解一种可能的解决方法。