Question

我有一个TEI文档，其中包含编码为&stern_1;的字符，它们映射到单独的Zeichen.dtd（文档类型定义）文件中。文件Zeichen.dtd包含以下内容：

<?xml version="1.0" encoding="UTF-8"?>
<!ENTITY stern_1 "&#10035;" >

我正在使用BeautifulSoup4和lxml-xml作为解析器。

示例：

dtd_str = '<!DOCTYPE Zeichen SYSTEM "Zeichen.dtd">'
xml_str = "<p>Hello, &stern_1;!</p>"
from bs4 import BeautifulSoup
soup = BeautifulSoup(dtd_str+xml_str, 'lxml-xml')
print(soup.find('p').get_text())

上面的代码显示：

 Hello, !

代替此：

 Hello, ✳!

我还尝试了内联DTD，结果相同：

dtd_str = """
<!DOCTYPE html [
    <!ENTITY stern_1 "&#10035;">
]>
"""
xml_str = "<p>Hello, &stern_1;!</p>"

from bs4 import BeautifulSoup
soup = BeautifulSoup(xml_str, 'lxml-xml')
print(soup.find('p').get_text())

输出：

Hello, !

有什么想法吗？

Answer 1

最后找到了解决我自己问题的可行方法：

dtd_str = """
<!DOCTYPE html [
    <!ENTITY stern_1 "&#10035;">
]>
"""
xml_str = "<p>Hello, &stern_1;!</p>"
from lxml import etree
tree = etree.fromstring(dtd_str + xml_str)

from bs4 import BeautifulSoup
soup = BeautifulSoup(etree.tostring(tree, encoding='unicode'), "lxml-xml")
print(soup.find('p').get_text())

将打印以下内容：

Hello, ✳!

这正是我想要的。 lxml库可以正确处理dtd文件，而当您需要遍历树时，BeautifulSoup具有更好，更直观的API。

BeautifulSoup 4是否解析外部DTD实体？

1 个答案: