从XML流中删除无效字符

Question

我正在使用Python中的SAX解析XML文件。通过urllib.request从HTTP流中读取XML。

但是，XML流似乎包含无效字符。具体来说，当从UTF-8解码并将其转储到文件时，似乎我得到了一堆“ 8000”的实例，这些实例在换行符之前和之后。 这会导致SAX解析失败。

我的问题是双重的：

1. 我如何删除或忽略urllib.request数据流中出现的无效字符？
2. “ 8000”可能是什么，并且该问题是否有更具体的解决方法？

[编辑]

我无法共享源数据，但这是前几个字符，如字符串和十六进制。前一个字符是令人反感的“ 8000”字符。

字符串：

8000<?xml

十六进制：

38:30:30:30:3c:3f:78:6d:6c:20

可以搜索'8000'字符串，但这不是一个很好的解决方案，因为数据可能包含该字符串。

Answer 1

<?xml是XML declaration的开头。

一个XML文档中最多只能有一个XML声明，并且它只能作为文件中的第一件事出现。对于前面的“ 8000”，它将呈现XML文档，而不是 well-formed 。在尝试将此流解析为XML之前，必须确保不超过一个XML声明并且在它之前没有任何内容。这必须在字符/字符串/文本级别上完成，而不是在XML级别上完成。

另请参见 Error: The processing instruction target matching "[xX][mM][lL]" is not allowed

Answer 2

似乎代码从urllib.request.urlopen发送的HTTPResponse（即HTTPResponse.fp）向XML解析器提供了文件解析器对象，而不仅仅是HTTPResponse。由于某种原因，这导致将端口（8000）写入BufferedReader的每个缓冲块中。 看来这是由于从Python 2迁移到3引起的（也许HTTPResponse对象在Python 2中的行为有所不同）。

通过直接使用HTTPResponse而不是response.fp向XML解析器提供数据，该端口从字节流中删除，并且不存在进一步的编码问题。