Question

我需要解析包含各种XML文件的文件，即＆lt; xml＆gt;＆lt; / xml＆gt; ＆LT; XML＆GT;＆LT; / XML＆GT; ......等等。使用etree.iterparse时，我得到以下（正确）错误：

lxml.etree.XMLSyntaxError: XML declaration allowed only at the start of the document

现在，我可以预处理输入文件，并为每个包含的XML文件生成一个单独的文件。这可能是最简单的解决方案。但我想知道是否存在适当解决这个“问题”的方法。

谢谢！

Answer 1

您提供的示例数据表明存在一个问题，而您提供的问题和例外表明了另一个问题。您是否将多个XML文档连接在一起，每个文档都有自己的XML声明，或者您是否有一个包含多个顶级元素的XML片段？

如果是前者，则解决方案将涉及将输入流分解为多个流，并逐个解析每个流。正如一条评论所暗示的那样，这并不一定意味着实现XML解析器。您可以在字符串中搜索XML声明，而不必解析其中的任何其他内容，只要您的输入不包含包含未转义的XML声明的CDATA部分即可。您可以编写一个类似文件的对象，该对象返回基础流中的字符，直到它到达XML声明，然后将其包装在生成器函数中，该函数将一直保持返回流，直到达到EOF。这不是微不足道的，但也不是很难。

如果你有一个包含多个顶级元素的XML片段，你可以将它们包装成一个XML元素并解析整个元素。

当然，正如大多数涉及错误XML输入的问题一样，最简单的解决方案可能只是解决产生错误输入的问题。

Answer 2

我使用正则表达式来解决这个问题。假设数据是一个包含多个xml文档的字符串，该句柄是一个可以对每个文档执行某些操作的函数。执行此循环后，数据将为空，或者将包含不完整的XML文档，并且句柄函数将被调用零次或多次。

while True:
  match = re.match (r'''
        \s*                 # ignore leading whitespace
        (                   # start first group
          <(?P<TAG>\S+).*?> # opening tag (with optional attributes)
            .*?             # stuff in the middle
          </(?P=TAG)>       # closing tag
        )                   # end of first xml document
        (?P<REM>.*)         # anything else
      ''',
    data, re.DOTALL | re.VERBOSE)
  if not match:
    break
  document = match.group (1)
  handle (document)
  data = match.group ('REM')

通过lxml.etree.iterparse在单个文件中解析多个XML声明

2 个答案: