Question

我一直在尝试使用xml.etree.ElementTree解析文件：

import xml.etree.ElementTree as ET
from xml.etree.ElementTree import ParseError

def analyze(xml):
    it = ET.iterparse(file(xml))
    count = 0
    last = None

    try:        
        for (ev, el) in it:
            count += 1
            last = el

    except ParseError:
            print("catastrophic failure")
            print("last successful: {0}".format(last))

    print('count: {0}'.format(count))

这当然是我的代码的简化版本，但这足以打破我的程序。如果删除try-catch块，我会在某些文件中出现此错误：

Traceback (most recent call last):
  File "<pyshell#22>", line 1, in <module>
    from yparse import analyze; analyze('file.xml')
  File "C:\Python27\yparse.py", line 10, in analyze
    for (ev, el) in it:
  File "C:\Python27\lib\xml\etree\ElementTree.py", line 1258, in next
    self._parser.feed(data)
  File "C:\Python27\lib\xml\etree\ElementTree.py", line 1624, in feed
    self._raiseerror(v)
  File "C:\Python27\lib\xml\etree\ElementTree.py", line 1488, in _raiseerror
    raise err
ParseError: reference to invalid character number: line 1, column 52459

但结果是确定性的，如果文件有效，它将始终有效。如果文件失败，它总是失败并且始终在同一点失败。

最奇怪的是我正在使用跟踪来查明我是否有任何格式错误的XML破坏了解析器。然后我隔离导致失败的节点。但是当我创建一个包含该节点及其几个邻居的XML文件时，解析就可以了！

这似乎也不是尺寸问题。我已经设法解析了更大的文件而没有任何问题。

有什么想法吗？

Answer 1

以下是一些想法：

（0）解释“文件”和“偶尔”：你是否真的有时意味着它有效并且有时会使用相同的文件失败？

对每个失败的文件执行以下操作：

（1）找出文件中抱怨的内容：

text = open("the_file.xml", "rb").read()
err_col = 52459
print repr(text[err_col-50:err_col+100]) # should include the error text
print repr(text[:50]) # show the XML declaration

（2）将您的文件丢弃在基于Web的XML验证服务上，例如http://www.validome.org/xml/或http://validator.aborla.net/

并编辑您的问题以显示您的发现。

更新：以下是说明问题的最小xml文件：

[badcharref.xml]
<a>&#1;</a>

[Python 2.7.1 output]
>>> import xml.etree.ElementTree as ET
>>> it = ET.iterparse(file("badcharref.xml"))
>>> for ev, el in it:
...     print el.tag
...
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
  File "C:\python27\lib\xml\etree\ElementTree.py", line 1258, in next
    self._parser.feed(data)
  File "C:\python27\lib\xml\etree\ElementTree.py", line 1624, in feed
    self._raiseerror(v)
  File "C:\python27\lib\xml\etree\ElementTree.py", line 1488, in _raiseerror
    raise err
xml.etree.ElementTree.ParseError: reference to invalid character number: line 1, column 3
>>>

并非所有有效的Unicode字符在XML中都有效。请参阅XML 1.0 Specification。

...或者数字字符引用可能在语法上无效，例如未被;'，&#not-a-digit等等终止

更新2 我错了，ElementTree错误消息中的数字是计算Unicode代码点，而不是字节。请参阅下面的代码，并从输出中获取对两个错误文件运行它的片段。

# coding: ascii
# Find numeric character references that refer to Unicode code points
# that are not valid in XML.
# Get byte offsets for seeking etc in undecoded file bytestreams.
# Get unicode offsets for checking against ElementTree error message,
# **IF** your input file is small enough. 

BYTE_OFFSETS = True
import sys, re, codecs
fname = sys.argv[1]
print fname
if BYTE_OFFSETS:
    text = open(fname, "rb").read()
else:
    # Assumes file is encoded in UTF-8.
    text = codecs.open(fname, "rb", "utf8").read()
rx = re.compile("&#([0-9]+);|&#x([0-9a-fA-F]+);")
endpos = len(text)
pos = 0
while pos < endpos:
    m = rx.search(text, pos)
    if not m: break
    mstart, mend = m.span()
    target = m.group(1)
    if target:
        num = int(target)
    else:
        num = int(m.group(2), 16)
    # #x9 | #xA | #xD | [#x20-#xD7FF] | [#xE000-#xFFFD] | [#x10000-#x10FFFF]
    if not(num in (0x9, 0xA, 0xD) or 0x20 <= num <= 0xD7FF
    or 0xE000 <= num <= 0xFFFD or 0x10000 <= num <= 0x10FFFF):
        print mstart, m.group()
    pos = mend

输出：

comments.xml
6615405 &#x10;
10205764 &#x00;
10213901 &#x00;
10213936 &#x00;
10214123 &#x00;
13292514 &#x03;
...
155656543 &#x1B;
155656564 &#x1B;
157344876 &#x10;
157722583 &#x10;

posts.xml
7607143 &#x1F;
12982273 &#x1B;
12982282 &#x1B;
12982292 &#x1B;
12982302 &#x1B;
12982310 &#x1B;
16085949 &#x1C;
16085955 &#x1C;
...
36303479 &#x12;
36303494 &#xFFFF; <<=== whoops
38942863 &#x10;
...
785292911 &#x08;
801282472 &#x13;
848911592 &#x0B;

Answer 2

正如@John Machin建议的那样，有问题的文件中确实存在可疑的数字实体，尽管错误信息似乎指向文本中的错误位置。也许流媒体性质和缓冲使得报告准确位置变得困难。

事实上，所有这些实体都出现在文本中：

set(['&#x08;', '&#x0E;', '&#x1E;', '&#x1C;', '&#x18;', '&#x04;', '&#x0A;', '&#x0C;', '&#x16;', '&#x14;', '&#x06;', '&#x00;', '&#x10;', '&#x02;', '&#x0D;', '&#x1D;', '&#x0F;', '&#x09;', '&#x1B;', '&#x05;', '&#x15;', '&#x01;', '&#x03;'])

绝大多数都不允许。看起来这个解析器非常严格，你需要找到另一个不那么严格的解析器，或者预先处理XML。

Answer 3

我不确定这是否能回答你的问题，但是如果你想对元素树引发的ParseError使用异常，你会这样做：

except ET.ParseError:
            print("catastrophic failure")
            print("last successful: {0}".format(last))

来源：http://effbot.org/zone/elementtree-13-intro.htm

Answer 4

我觉得在这里注意一点也许很重要，你可以很容易地发现你的错误并避免完全停止你的程序，只需使用你以后在函数中使用的内容，放置你的声明：

it = ET.iterparse(file(xml))

试试＆amp;除了括号：

try:
    it = ET.iterparse(file(xml))
except:
    print('iterparse error')

当然，这不会修复您的XML文件或预处理技术，但可以帮助识别哪个文件（如果您正在解析批次）导致您的错误。

为什么ElementTree会引发ParseError？

4 个答案: