如何使xml解析器忽略无效字符？

Question

我使用python模块lxml来解析xml文件。但是，某些xml文件包含无效字符，例如®。因此，我收到了以下错误。

  

lxml.etree.XMLSyntaxError：输入不正确的UTF-8，表示编码！

     

字节：0xAE 0x0A 0x53 0x6F，第45行，第91列

- ＆GT;删除角色可以解决问题。

我不能告诉数据提供者为我提供没有这样的字符的xml。 为了避免重复，我尝试了从堆栈溢出的解决方案，它给了我同样的错误。

parsed_doc = etree.parse(u, etree.XMLParser(encoding='utf-8', ns_clean=True, recover=True))

如何忽略/转义此类字符？

Answer 1

如@jwodder所述，xml文件未使用utf-8编码进行编码，即使它具有utf-8作为编码属性。 。我在lxml解析器中将编码参数更改为ISO-8859-1。

parsed_doc = etree.parse(u, etree.XMLParser(encoding='ISO-8859-1', ns_clean=True, recover=True))

效果很好。