Question

我被一些奇怪形成的xml驱使疯狂，并会感激一些指示：

文件的定义如下：

<sphinx:document id="18059090929806848187">
  <url>http://www.some-website.com</url>
  <page_number>104</page_number>
  <size>7865</size>
</sphinx:document>

现在，我需要阅读很多（500万以上这些文件都是gz compresed）并从一些包含的标签中获取文本值。

示例代码：

from lxml import objectify, etree
import gzip

with open ('file_list','rb') as file_list:
 for file in file_list:
  in_xml = gzip.open(file.strip('\n'))
  xml2 = etree.iterparse(in_xml)
  for action, elem in xml2:
   if elem.tag == "page_number":
    print elem.text + str(file)

返回第一个值elem.text但仅针对列表中的第一个文件，然后很快出现错误：

lxml.etree.XMLSyntaxError：未定义文档上的命名空间前缀sphinx，第1行，第20列

请原谅我的无知，但xml确实伤到了我的头脑，我一直在努力解决这个问题。有没有办法可以定义命名空间前缀或以其他更智能的方式处理它？</ p>

由于

Answer 1

您的输入文件格式不正确。我假设它是来自更大的XML文档的片段。

您的选择是：

重建较大的文档。如何执行此操作特定于您的应用程序。您可能需要咨询创建您要解析的文件的人员。
尽管存在错误，但仍解析该文件。为此，请使用recover中的lxml.etree.iterparse关键字：
```
xml2 =etree.iterparse(in_xml, recover=True)
```

Python lxml错误＆＃34;命名空间未定义。＆＃34;

1 个答案: