使用Python中的＆符号修复无效的XML

Question

我正在使用Python来操作从另一个系统收到的XML文件。该系统产生无效的XML。主要是，它并没有逃过一些＆amp;在XML中。
所以，例如，我有一些这样的行：

<IceCream>Ben&Jerry</IceCream>

当然，当使用SAX或DOM解析时，它会抛出无效的令牌错误。
对于一些更一般的背景 - 它是一个非常大的文件（2MB），相当平坦，并且在CDATA中包含大量数据。

我尝试了什么：

1. 编写正则表达式以仅替换unesacped＆amp;，而不使用reesacaping＆amp; gt;等等：&(?!\w{2,4};)。它修复了它，但它在CDATA中逃脱了＆符号，然后在目标系统中导致错误。我之后无法忘记CDATA中的所有内容，因为其中一些内容需要保持转义。
2. 使用美丽（石头）汤。也不走运。它没有逃避松散的＆符号，而是创建了一个实体（即&Jerry;）。不好。

下一步将使用状态机编写我自己的解析器。救我走这条路。
它不是一个复杂的结构（非常扁平，最多4层深），因此正则表达式可能能够捕获不在CDATA中的区域。

非常感谢。

Answer 1

使用tidylib的Python绑定：

>>> import tidylib
>>> print tidylib.tidy_document("<IceCream>Ben&Jerry</IceCream>", {"input_xml": True})[0]
<IceCream>Ben&amp;Jerry</IceCream>

有关parser options的列表，请参阅官方整洁文档。