XML解析实战：从C#抓取数据到MySQL入库的底层避坑指南

大家好，我是零点博客的主理人。今天咱们不聊虚的，直接上干货。最近在搞一个爬虫开发项目，需要从第三方旧接口抓取XML解析后的数据，批量同步到本地的EMLOG博客系统数据库里。整个过程中踩了不少坑，尤其是解析错位和SQL注入的问题，今天借着这个案例，把C#后端对接MySQL、以及XML解析的底层逻辑和避坑技巧给大家复盘一下。

一、为什么放弃Regex，选择DOM解析？

刚开始我想着XML结构简单，直接用正则表达式暴力提取，结果对方接口一变，正则就得重写，维护成本极高。所以对于结构严谨的XML，我还是建议大家使用C#原生的XmlDocument或者LINQ to XML。

这里我演示一个经典的XML解析流程：

using System.Xml;
// 假设这是从接口获取的XML字符串
string xmlString = "<root><item><title>测试文章</title><price>99</price></item></root>";

XmlDocument doc = new XmlDocument();
doc.LoadXml(xmlString); // 加载XML文档

// 使用XPath定位节点
XmlNodeList nodes = doc.SelectNodes("//item");
foreach (XmlNode node in nodes)
{
    // 安全获取子节点，避免空引用异常
    string title = node.SelectSingleNode("title").InnerText;
    string price = node.SelectSingleNode("price").InnerText;

    Console.WriteLine($"解析结果: {title} - {price}");
    // 这里可以继续调用写入MySQL的方法
}

二、底层避坑：字符编码与节点丢失

做开发久了你会知道，最难的不是写代码，是解决环境问题。在XML解析中，最头疼的就是乱码。很多第三方接口返回的XML头没有声明Encoding，或者默认是GBK，而我们系统是UTF-8，这时候直接LoadXml必然乱码。

零点博客的实操经验： 在LoadXml之前，一定要先用System.Text.Encoding转换一下字符串，或者手动修改XML头。

// 强制修正XML头，解决乱码大杀器
string xmlContent = "<?xml version='1.0' encoding='UTF-8' standalone='yes' ?>" + xmlString;
doc.LoadXml(xmlContent);

另外，用XPath查找节点时，如果路径写错或者节点不存在，`SelectSingleNode`会返回`null`。如果你直接`.InnerText`，程序直接崩给你看。养成检查节点是否为空的肌肉记忆非常重要。

三、核心安全：SQL注入防护与预处理语句

数据抓取下来了，下一步就是写入MySQL数据库。很多新手喜欢用`string.Format`拼接SQL，这在处理用户输入或者程序变量时，是极不安全的，极易遭受SQL注入防护失效。

我们在构建爬虫写入工具时，必须严格使用预处理语句。下面代码展示了安全入库的标准姿势：

string insertSql = "INSERT INTO emlog_post (title, content, gid) VALUES (@title, @content, @gid)";

using (MySqlConnection conn = new MySqlConnection(connString))
using (MySqlCommand cmd = new MySqlCommand(insertSql, conn))
{
    // 关键点：使用参数化查询，完全隔离恶意代码
    cmd.Parameters.AddWithValue("@title", title);
    cmd.Parameters.AddWithValue("@content", content);
    cmd.Parameters.AddWithValue("@gid", articleId);

    await cmd.ExecuteNonQueryAsync();
}

通过`Parameters.AddWithValue`，数据库引擎会自动把参数当作纯文本处理，无论参数里包含什么特殊字符（甚至是SQL关键字），都是安全的。

四、正则表达式的替代方案

虽然XML解析是首选，但现实是Web开发中充斥着大量的HTML碎片（如JSON里的description字段，或者是老式网页源码）。这时正则表达式依然有其舞台。

在提取纯文本信息时，正则比DOM解析快得多。但记住，正则并非万能，特别是对于嵌套层级很深的HTML，它很容易匹配到错误的标签。所以我的建议是：能用DOM解析绝不写正则，正则仅作为最后的数据清洗手段。

总结

从XML解析获取数据，到安全地存储到MySQL，这中间牵扯到字符编码、XPath路径查找以及最关键的SQL注入防护。希望通过零点博客的这个实战复盘，大家在接下来的后端开发或者爬虫开发中，能少踩坑，多出成果。如果你有更好的解析思路，欢迎在评论区一起交流！