xmlstarlet处理非合规XHTML声明头异常及批量修复bash命令求助

xmlstarlet 出现异常格式的原因 #

xmlstarlet 调用 --html 参数时使用 libxml2 的 HTML 解析逻辑，该逻辑会把文件原有 XML 声明识别为普通处理指令节点，而非文档层面的XML声明：

• 未加 --omit-decl 参数时，xmlstarlet 会先输出自身生成的XML声明，再把原文件的XML声明作为处理指令输出，由于处理指令默认会用 <? ... ?> 包裹，原声明末尾已自带 ?>，最终就会出现 ??> 的异常后缀，同时产生两行XML声明。
• 加了 --omit-decl 参数后，xmlstarlet 不再输出自身生成的声明，但仍会将原XML声明作为处理指令放在DOCTYPE之后，保留末尾多余的问号。

批量原地修复命令 #

你可以通过 sed 对 xmlstarlet 的输出做后处理，批量修正所有 .xhtml 文件的头部问题，命令如下：

for xhtml_file in *.xhtml; do
    xmlstarlet fo --omit-decl --recover --html "$xhtml_file" \
    | sed -e '1{h;d}' -e '2{x;G}' -e 's/\(<?xml[^>]*\)\?\?>/\1?>/' \
    > "${xhtml_file}.tmp" && mv "${xhtml_file}.tmp" "$xhtml_file"
done

命令逻辑说明：

• 1{h;d};2{x;G} 实现交换输出内容的第一行（DOCTYPE）和第二行（XML声明）的位置
• s/\(<?xml[^>]*\)\?\?>/\1?>/ 匹配并删除XML声明末尾多余的问号，修复 ??> 格式错误
• 临时文件中转后覆盖原文件，避免处理过程中损坏原始文件

更适配的替代方案 #

针对XHTML标签闭合的需求，直接使用 tidy 工具更为合适，它是专门为HTML/XHTML语法修复设计的工具，不会出现XML声明异常问题，直接批量原地修正的命令如下：

tidy -q -asxhtml -m --encoding utf8 --show-warnings no *.xhtml

执行后会自动修正所有空标签的闭合格式，同时保留原有XML声明和DOCTYPE的位置、属性。

内容的提问来源于stack exchange，提问作者minto