Question

我编写了一个简单的脚本，将XML解析为逗号分隔的格式。一个样品 XML源代码如下所示：

<?xml version="1.0" encoding="utf-8"?>
<users>
<row Id="-1" Reputation="1" CreationDate="2010-08-10T15:50:26.953" DisplayName="Community" LastAccessDate="2010-08-10T15:50:26.953" Location="on the server farm" AboutMe="&lt;p&gt;Hi, I'm not really a person.&lt;/p&gt;&#xA;&#xA;&lt;p&gt;I'm a background process that helps keep this site clean!&lt;/p&gt;&#xA;&#xA;&lt;p&gt;I do things like&lt;/p&gt;&#xA;&#xA;&lt;ul&gt;&#xA;&lt;li&gt;Randomly poke old unanswered questions every hour so they get some attention&lt;/li&gt;&#xA;&lt;li&gt;Own community questions and answers so nobody gets unnecessary reputation from them&lt;/li&gt;&#xA;&lt;li&gt;Own downvotes on spam/evil posts that get permanently deleted&lt;/li&gt;&#xA;&lt;li&gt;Own suggested edits from anonymous users&lt;/li&gt;&#xA;&lt;li&gt;&lt;a href=&quot;http://meta.stackexchange.com/a/92006&quot;&gt;Remove abandoned questions&lt;/a&gt;&lt;/li&gt;&#xA;&lt;/ul&gt;&#xA;" Views="0" UpVotes="3732" DownVotes="2275" AccountId="-1" />
</users>

gist

解析器的相关代码是：

import xml.etree.cElementTree as cetree

def get_data_c(fn, columns):
    res = ''
    cols = columns.split(',')

    for c in cols:
        res = res + c + ','

    res = res[:-1] + '\n'
    yield res

    for event, elem in cetree.iterparse(fn):
        res = ''
        if elem.tag == "row":
            for c in cols:
                if c in elem.attrib:
                    res = res + elem.attrib[c] + ','
                else:
                    res = res + ','
            res = res[:-1] + '\n'
            yield res
            elem.clear()

完整脚本的

gist。

我的问题是当我得到AboutMe属性的值时，cElementTree 是取消该属性中包含的HTML。理想情况下，我想将格式保留为转义HTML并简单地将其包装在输出的引号中文件。但是我正在获取未转义的字符串，如此处所示 gist。我怎么说 cElementTree保持属性的原始值而不是变换它到HTML？

编辑2014-09-01 12:49太平洋标准时间：根据以下Tomalak的回答，这就是我以前得到的行为：

def escape_str(html_str):
    s = html.escape(html_str)
    return s.replace('\n', '&#xA;')

我基本上打包调用以获取转义周围的属性值以上功能。像这样：

res = res + '"' + escape_str(elem.attrib[c]) + '",'

Answer 1

属性中没有转义的HTML。

属性中有HTML，这正是您在检索其值时获得的内容。

比较

<row AboutMe="&lt;b&gt; This is HTML &lt;/b&gt;" />

Attribute value: "<b> This is HTML </b>"

和

<row AboutMe="&amp;lt;b&amp;gt; This is escaped HTML &amp;lt;/b&amp;gt;" />

Attribute value: "&lt;b&gt; This is escaped HTML &lt;/b&gt;"

你的错误在于，当正确的事情发生时，你期待错误的事情。 cElementTree肯定不 unescaping任何东西。它为您提供了逐字的属性。

Python ElementTree unescapes HTML实体

1 个答案: