Question

我编写了一个小函数，它使用ElementTree和xpath来提取xml文件中某些元素的文本内容：

#!/usr/bin/env python2.5

import doctest
from xml.etree import ElementTree
from StringIO import StringIO

def parse_xml_etree(sin, xpath):
  """
Takes as input a stream containing XML and an XPath expression.
Applies the XPath expression to the XML and returns a generator
yielding the text contents of each element returned.

>>> parse_xml_etree(
...   StringIO('<test><elem1>one</elem1><elem2>two</elem2></test>'),
...   '//elem1').next()
'one'
>>> parse_xml_etree(
...   StringIO('<test><elem1>one</elem1><elem2>two</elem2></test>'),
...   '//elem2').next()
'two'
>>> parse_xml_etree(
...   StringIO('<test><null>&#0;</null><elem3>three</elem3></test>'),
...   '//elem2').next()
'three'
"""

  tree = ElementTree.parse(sin)
  for element in tree.findall(xpath):
    yield element.text  

if __name__ == '__main__':
  doctest.testmod(verbose=True)

第三次测试失败，但有以下异常：

ExpatError：对无效字符编号的引用：第1行第13列

实体是非法XML吗？无论是否，我要解析的文件都包含它，我需要一些方法来解析它们。对于另一个解析器而不是Expat的任何建议，或Expat的设置，这将允许我这样做吗？

更新：我刚才发现了BeautifulSoup，这是一个标记汤解析器，如下面的答案评论中所述，为了好玩，我回到了这个问题，并尝试在ElementTree前使用它作为XML清理器，但它尽职地将转换为一个无效的空字节。： - ）

cleaned_s = StringIO(
  BeautifulStoneSoup('<test><null>&#0;</null><elem3>three</elem3></test>',
                     convertEntities=BeautifulStoneSoup.XML_ENTITIES
  ).renderContents()
)
tree = ElementTree.parse(cleaned_s)

...产量

xml.parsers.expat.ExpatError: not well-formed (invalid token): line 1, column 12

在我的特殊情况下，我并不真正需要XPath解析，我本可以使用BeautifulSoup本身及其非常简单的节点地址样式parsed_tree.test.elem1.contents[0]。

Answer 1

不在XML规范定义的legal character range中。唉，我的Python技能非常简陋，所以我在那里帮助不大。

Answer 2

不是有效的XML字符。理想情况下，您可以让文件的创建者更改其进程，以便文件不会像这样无效。

如果您必须接受这些文件，则可以对其进行预处理，以便将&#0转换为其他内容。例如，选择@作为转义字符，将“@”转换为“@@”，将“”转换为“@ 0”。

然后，当您从解析器获取文本数据时，您可以反转映射。这只是一个例子，你可以发明任何你想要的转义语法。

Python + Expat：实体出错

2 个答案:

Python + Expat： 实体出错

2 个答案:

Python + Expat：实体出错