使用非法特殊字符 (&) 解析 XML [重复]

Posted 2023-02-24

【中文标题】使用非法特殊字符 (&) 解析 XML [重复]

【英文标题】：Parsing XML with illegal special characters (&) [duplicate]

【发布时间】：2021-07-24 03:20:27

【问题描述】：

我有成千上万的 XML 文件，比如 follow

<names>
    <Id>1518845</Id>
    <Name>Confessions of a Thug (Paperback)</Name>
    <Authors>Philip Meadows Taylor</Authors>
    <Publisher>Rupa & Co</Publisher>
    <CountsOfReview>2.0</CountsOfReview>
</names>

我已经尝试了下面的代码来解析

from lxml import etree

root = etree.parse("xm_file.xml")

import xml.etree.ElementTree as ET

tree = ET.parse("xm_file.xml")

和

parser = ET.XMLParser(encoding="utf-8")
tree = ET.parse("xm_file.xml", parser=parser)

所有这些都会导致其中一个错误

ParseError: not well-formed (invalid token): line 10, column 18

XMLSyntaxError: xmlParseEntityRef: no name, line 10, column 19

我搜索并尝试了很多解决方案来解决这个问题，但徒劳无功

注意：这对我没有帮助：How to parse invalid (bad / not well-formed) XML?

另一种情况是

<names>
    <Id>1481744</Id>
    <Name>Lettres de René-Édouard Claparède <1832-1871>.: Choisies et annotées</Name>
    <Authors>René-Édouard Claparède</Authors>
    <ISBN>3796505635</ISBN>
    <Rating>2.0</Rating>
    <PublishYear>1971</PublishYear>
    <PublishMonth>31</PublishMonth>
    <PublishDay>12</PublishDay>
</names>

在解析它时，只需像处理 XML 一样处理它：

<names>
    <Id>1481744</Id>
    <Name>Lettres de René-Édouard Claparède</Name>
</names>

其他信息不显示

【问题讨论】：

也许这有帮助？ ***.com/questions/7604436/…

这是 python 不是 php

但是解决方法是一样的。

这不是 XML，Jim，至少不是我们所知道的。您的问题标题不正确 - 您尝试解析的内容 不是 XML

您没有成千上万的 XML 文件。您有数以千计的非 XML 文件。事实上，你有一堆垃圾。

【参考方案1】：

您可以预先替换 &：

import xml.etree.ElementTree as ET

data = """

<names>
    <Id>1518845</Id>
    <Name>Confessions of a Thug (Paperback)</Name>
    <Authors>Philip Meadows Taylor</Authors>
    <Publisher>Rupa & Co</Publisher>
    <CountsOfReview>2.0</CountsOfReview>
</names>

"""

data = data.replace('&', '&amp;')
tree = ET.ElementTree(ET.fromstring(data))

for publisher in tree.findall("Publisher"):
    print(publisher.text)

产量

Rupa & Co

---

一种可能的方法是之前加载有问题的文件，替换 & 并将其提供给 xml.etree.ElementTree，如下所示：

with open("some_cool_file") as fp:
    content = fp.read()
    content = content.replace('&', '&')
    xml = ET.ElementTree(ET.fromstring(content))

【讨论】：

请查看我对问题的编辑

不错的尝试，但 OP 为您添加了另一个测试。

@Jan，像这样替换& 是危险的，因为数据中可能存在实际的 XML 实体，这些实体随后会被破坏。是的，您可以使用更复杂的正则表达式来捕获其中的许多。无论如何，如何解析错误的“XML”这个一般性话题已经在其他问答中得到了更彻底的解决。