Question

我一直致力于解析外部XML文件的代码。其中一些文件非常庞大，高达千兆字节的数据。毋庸置疑，这些文件需要被解析为流，因为将它们加载到内存中的效率太低，并且常常导致OutOfMemory问题。

我使用了库miniDOM，ElementTree，cElementTree，我目前正在使用lxml。现在我使用lxml.etree.iterparse有一个工作的，非常有效的内存脚本。问题是我需要解析的一些XML文件包含编码错误（它们通告为UTF-8，但包含不同编码的字符）。使用lxml.etree.parse时，可以使用自定义解析器的recover=True选项修复此问题，但iterparse不接受自定义解析器。（另见：this question）

我目前的代码如下：

from lxml import etree
events = ("start", "end")
context = etree.iterparse(xmlfile, events=events)
event, root_element = context.next() # <items>
for action, element in context:
    if action == 'end' and element.tag == 'item':
    # <parse>
    root_element.clear()

iterparse遇到错误字符时出错（在这种情况下，它是^Y）：

lxml.etree.XMLSyntaxError: Input is not proper UTF-8, indicate encoding !
Bytes: 0x19 0x73 0x20 0x65, line 949490, column 25

我甚至不想解码这些数据，我可以放弃它。但是我不知道跳过该元素的任何方法 - 我在try / except语句中尝试了context.next和continue。

任何帮助将不胜感激！

更新

其他一些信息：这是iterparse失败的行：

<description><![CDATA:[musea de la photographie fonds mercator. Met meer dan 80.000 foto^Ys en 3 miljoen negatieven is het Muse de la...]]></description>

根据etree，错误发生在字节0x19 0x73 0x20 0x65 根据hexedit，19 73 20 65转换为ASCII .s e
这个地方的.应该是撇号（foto's）。

我还发现了this question，它没有提供解决方案。

Answer 1

如果问题是实际的字符编码问题，而不是格式错误的XML，最简单，也可能是最有效的解决方案是在文件读取点处理它。像这样：

import codecs
from lxml import etree
events = ("start", "end")
reader = codecs.EncodedFile(xmlfile, 'utf8', 'utf8', 'replace')
context = etree.iterparse(reader, events=events)

这将导致非UTF8可读字节被＆＃39;？＆＃39;替换。还有其他一些选择;有关更多信息，请参阅编解码器模块的文档。

Answer 2

由于问题是由非法 XML字符引起的，在这种情况下是0x19字节，我决定将它们剥离。我找到了以下正则表达式on this site：

invalid_xml = re.compile(u'[\x00-\x08\x0B-\x0C\x0E-\x1F\x7F]')

我编写了这段代码，在保存xml提要时删除非法字节：

conn = urllib2.urlopen(xmlfeed)
xmlfile = open('output', 'w')

while True:
    data = conn.read(4096)
    if data:
        newdata, count = invalid_xml.subn('', data)
        if count > 0 :
            print 'Removed %s illegal characters from XML feed' % count
        xmlfile.write(newdata)

    else:
        break

xmlfile.close()

Answer 3

我使用了类似的代码：

 illegalxml = re.compile(u'[\x00-\x08\x0b\x0c\x0e-\x1F\uD800-\uDFFF\uFFFE\uFFFF]')

...

illegalxml.sub("?",mystring)

...

但是，这并不适用于所有可能的字符串（400 + MB字符串）。

对于最终解决方案，我使用解码/编码如下：

outxml = "C:/path_to/xml_output_file.xml"
with open(outxml, "w") as out:
    valid_xmlstring = mystring.encode('latin1','xmlcharrefreplace').decode('utf8','xmlcharrefreplace')
    out.write(valid_xmlstring)

Answer 4

我和char＆＃34;＆＃34;有类似的问题。在我的xml文件中，它也是无效的xmlchar。这是因为在xml版本1.0中，不允许使用像＆amp;＃x0，＆amp; #xE这样的字符。规则是所有角色组成为正则表达式＆＃39;＆amp; #x [0-1]？[0-9A-E]＆＃39;不允许。我的目的是纠正一个巨大的xml文件中的无效字符，基于Rik的答案，我改进了如下：

import re

invalid_xml = re.compile(r'&#x[0-1]?[0-9a-eA-E];')

new_file = open('new_file.xml','w') 
with open('old_file.xml') as f:
    for line in f:
        nline, count = invalid_xml.subn('',line)
        new_file.write(nline) 
new_file.close()

用Python解析庞大，编码错误的XML文件

4 个答案: