Question

我想问一下已知的现有Python 2.x库，用于解析内置DTD 的XML文档而不用自动扩展实体。（有问题的文件：JMdict。）

似乎lxml有一些不解析实体的选项，但最后我试过，实体最终被转换为空白。我只是搜索了这个，并发现pxdom是我可能尝试的另一种选择，但由于它是纯Python，它似乎比我想要的慢得多。

还有其他什么吗？

Answer 1

问题中提到了

lxml，就我所知，它可以做你想做的事情。测试代码：

from lxml import etree

XML = """
<!DOCTYPE root [
<!ENTITY abc "123">
]>
<root>
&abc;
</root>"""

parser = etree.XMLParser(resolve_entities=False)

root = etree.fromstring(XML, parser)
print "Entity not resolved:"
print etree.tostring(root)
print

print "Entity resolved:"
root = etree.fromstring(XML)
print etree.tostring(root)

输出：

Entity not resolved:
<root>
&abc;
</root>

Entity resolved:
<root>
123
</root>

Answer 2

似乎用例相当异常;不扩展实体似乎违背了解析器通常根据XML规范工作的方式。

所以，我认为最简单的方法就是克服这个问题。我通过re.finditer手动提取标签，并制作了映射字典。从这里开始，只需扫描解析后的输出并为我的应用做正确的事情。对我的用例我认为足够好了。

Answer 3

例如，BeautifulSoup中的BeautifulStoneSoup默认情况下不会展开实体。

对于您的用例，可能不会快速或有效，因为它适用于不同类型的用法（处理各种不正确和损坏的标记）。

Answer 4

我遇到了类似的问题需要解决。我需要读取包含

等实体的TEI XML文件

&some_exotic_char;

在单独的DTD文件中声明。任务是在某些标签中添加一些属性并编写修改后的文件，同时保留特殊实体，而不是弄乱XML布局。

BeautifulSoup工作得很好，直到我想再次写出XML文件：

with open('outfile.xml','w') as outfile:
    outfile.write(soup.prettify())

然后不将实体“保持原样”，而是将它们扩展为utf8字符，这不是我想要的。另外，无论美化方法如何，它都会破坏原始的XML布局（没有它，甚至更糟）。

最后我放弃了，最后使用 Perl 和 XML :: LibXML 找到了一个很好的解决方案。用方法

$parser->expand_entities(0);

实体不会扩展。将XML写回文件将保持原始布局的完整。

use XML::LibXML;
my $parser = new XML::LibXML;
$parser->validation(0);
$parser->load_ext_dtd(1);
$parser->expand_entities(0);
my $doc  = $parser->parse_file('infile.xml');

... # do whatever you need to do

open my $out, '>', 'outfile.xml';
binmode $out;
print $out $doc->toString();
close $out;

Perl的XML :: LibXML节省了我的一天。

Python：在保留实体的同时解析XML文档

4 个答案: