Question

我正在阅读包含各种<xml>..</xml>元素的大文件。由于每个XML解析器都有问题，我想为每个<xml>..</xml>块生成有效的新文件对象。

我开始在Python中继承文件对象，但却陷入了困境。我想，我要拦截以</xml>开头的每一行并返回一个新的文件对象;也许可以使用yield。

有人可以指导我朝正确的方向迈出一步吗？

这是我目前的代码片段：

#!/bin/bash/env python

from lxml import etree
from StringIO import StringIO

class handler(file):
  def __init__(self, name, mode):
    file.__init__(self, name, mode)

  def next(self):
    return file.next(self)

  def listXmls(self):
    output = StringIO()
    line = self.next()
    while line is not None:
      output.write(line.strip())
      if line.strip() == '</xml>':
        yield output
        output = StringIO()
      try:
        line = self.next()
      except StopIteration:
        break
    output.close()

f = handler('myxml.xml', 'r')
for elem in f.listXmls():
  print 'm' + elem.getvalue() + 'm'
  context = etree.iterparse(elem, events=('end',), tag='id')
  for event, element in context:
    print element.tag

谢谢！

解决方案（仍然对更好的版本感兴趣）：

#!/bin/bash/env python

from lxml import etree
from StringIO import StringIO

class handler(file):
  def __init__(self, name, mode):
    file.__init__(self, name, mode)

  def next(self):
    return file.next(self)

  def listXmls(self):
    output = StringIO()
    output.write(self.next())
    line = self.next()
    while line is not None:
      if line.startswith('<?xml'):
        output.seek(0)
        yield output
        output = StringIO()
      output.write(line)
      try:
        line = self.next()
      except StopIteration:
        break
    output.seek(0)
    yield output

f = handler('myxml.xml', 'r')
for elem in f.listXmls():
  context = etree.iterparse(elem, events=('end',), tag='id')
  for event, element in context:
    print element.tag

Answer 1

虽然不能直接回答您的问题，但这可能会解决您的问题：只需在开头添加另一个<xml>而在结尾添加另一个</xml>可能会使您的XML解析器接受该文档：

from lxml import etree
document = "<xml>a</xml> <xml>b</xml>"
document = "<xml>" + document + "</xml>"
for subdocument in etree.XML(document):
    # whatever

Python：在读取文件时创建各种文件对象

1 个答案: