请考虑一下:
import xml.etree.ElementTree as ET
xhtml = '''<!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Strict//EN"
"http://www.w3.org/TR/xhtml1/DTD/xhtml1-strict.dtd">
<html lang="en" xml:lang="en" xmlns="http://www.w3.org/1999/xhtml">
<head><title>XHTML sample</title></head>
<body>
<p> Sample text</p>
</body>
</html>
'''
parser = ET.XMLParser()
parser.entity['nbsp'] = ' '
tree = ET.fromstring(xhtml, parser=parser)
print(ET.tostring(tree, method='xml'))
,它呈现xhtml
字符串的漂亮文本表示。
但是,对于HTML5 doctype的相同XHTML文档:
xhtml = '''<!DOCTYPE html>
<html lang="en" xml:lang="en" xmlns="http://www.w3.org/1999/xhtml">
<head><title>XHTML sample</title></head>
<body>
<p> Sample text</p>
</body>
</html>
'''
我得到例外:
xml.etree.ElementTree.ParseError: undefined entity: line 5, column 19
所以解析器无法处理它,尽管我向实体dict添加了nbsp
。
如果我使用lxml
:
from lxml import etree
parser = etree.XMLParser(resolve_entities=False)
tree = etree.fromstring(xhtml, parser=parser)
print etree.tostring(tree, method='xml')
提出:
lxml.etree.XMLSyntaxError: Entity 'nbsp' not defined, line 5, column 26
虽然我已将解析器设置为忽略实体。
为什么会这样,以及如何使用HTML5 doctype声明解析XHTML文件?
lxml的部分解决方案是使用recoverer:
parser = etree.XMLParser(resolve_entities=False, recover=True)
但是我还在等待更好的。
答案 0 :(得分:3)
问题在于,幕后使用的Expat parser通常不会报告未知实体 - 它会抛出错误,因此您试图触发的xml.etree.ElementTree
中的后备代码赢了“甚至跑。您可以使用UseForeignDTD
method来更改此行为,它将使Expat忽略doctype声明并将所有实体声明传递给xml.etree.ElementTree
。以下代码正常工作:
import xml.etree.ElementTree as ET
xhtml = '''<!DOCTYPE html>
<html lang="en" xml:lang="en" xmlns="http://www.w3.org/1999/xhtml">
<head><title>XHTML sample</title></head>
<body>
<p> Sample text</p>
</body>
</html>
'''
parser = ET.XMLParser()
parser._parser.UseForeignDTD(True)
parser.entity['nbsp'] = u'\u00A0'
tree = ET.fromstring(xhtml, parser=parser)
print(ET.tostring(tree, method='xml'))
这种方法的副作用:正如我所说,doctype声明完全被忽略了。这意味着您必须声明所有实体,甚至是doctype所涵盖的实体。
请注意,您放入ElementTree.XMLParser.entity
字典的值必须是常规字符串,实体将替换为的文本 - 您不能再引用其他实体。因此u'\u00A0'
应为
。