（python）解析xml文件，但元素以\\结尾

Question

晚上好，我必须处理一个xml文件，问题是文件中的元素以不同于通常的格式结尾，例如：

<1ELEMENT>文本<\\ 1ELEMENT>

我使用函数root=etree.parse('filepath') ，并且通过在编译器中手动更改文本中的\\ in /，该函数可以正常工作。 最大的问题是我需要使替换过程自动化，而我想到的唯一解决方案是将文件作为数组导入，将replace /替换为\\并生成一个新的xml文件；但是似乎有点笨拙。 总结我需要知道是否存在一个函数来替换我上面提到的使用root=etree.parse('filepath')的术语。

Answer 1

根据[w3]：可扩展标记语言（XML）1.0（第五版） ，您的XML格式不正确：

• 无效的结束标记-如您所见，它们应以/而不是\\ （ [w3]：ETag ）开头
• 无效的标签名称-不能以数字开头（ [w3]：STag ==> [w3]：名称 ==> [w3]：NameStartChar ）

为了说明这一点，我准备了一个XML示例，其中包含上述2个项目符号的所有（4）组合（每个项目都可以打开 / 关闭 ）。

malformed.xml ：

<?xml version="1.0" encoding="UTF-8" ?>
<root>
    <1ELEMENT0> text 1ELEMENT0 <\1ELEMENT0>
    <ELEMENT0> text ELEMENT0 <\ELEMENT0>
    <11ELEMENT1> text 11ELEMENT1 </11ELEMENT1>
    <ELEMENT1> text ELEMENT1 </ELEMENT1>
</root>

可以很容易地看出，只有最后一个节点是正确的，并且如果^第一个 3个节点中的任何一个存在且未注释 ，则etree会引发ParseError 。

code.py ：

import re
from xml.etree import ElementTree as ET


FILE_NAME_0 = "malformed.xml"
FILE_NAME_1 = "wellformed.xml"

END_TAG_BSLASH_PAT = re.compile("<(\\\\).+>")
TAG_DIGIT_PAT = re.compile("</{0,1}(\d+)[^>]+>")


def parse_xml(file_name):
    tree = ET.parse(file_name)
    root_node = tree.getroot()
    for child_node in list(root_node):
        print("{:s} - [{:s}]".format(child_node.tag, child_node.text))


def _process_match(match):
    text = match.group()
    digits_text = match.group(1)
    idx = text.find(digits_text)
    return "_".join([text[:idx], text[idx:]])


def convert_xml_file(in_file_name=FILE_NAME_0, out_file_name=FILE_NAME_1):
    with open(in_file_name) as fin:
        text = fin.read()
        end_tag_bslash_text = re.sub(END_TAG_BSLASH_PAT, lambda x: x.group().replace(x.group(1), "/", 1), text)
        #print(end_tag_bslash_text)
        tag_digit_text = re.sub(TAG_DIGIT_PAT, _process_match, end_tag_bslash_text)
        print(tag_digit_text)
        with open(out_file_name, "w") as fout:
            fout.write(tag_digit_text)


def main():
    #parse_xml(FILE_NAME_0)
    convert_xml_file()
    parse_xml(FILE_NAME_1)


if __name__ == "__main__":
    main()

注意事项 ：

• 尝试通过修复上述2个错误（ 仅 ），以语法正确的形式转换上述格式错误的XML 。
• parse_xml虚拟函数，用于解析XML文件并转储根节点的子代的标记和文本
• convert_xml_file进行实际转换：
  • 使用[Python]的组合：正则表达式操作和字符串操作
    • 我知道，这有点差，仅使用regexp绝对有可能做到这一点
    • 模式匹配也很差（例如， < （或> ）与标签之间可能存在的SPACE ，如果出现这样的空间，将不会处理标签）
    • 它可能替代了更多内容； 它可以在简单的XML上运行 ，但是如果它们趋向于更复杂，则可以替换正版\\ （例如，在CDATA部分中）
  • 首先，它替换结束标记中的\\
  • 然后，在每个以数字开头的标签（开始和结束）之前添加一个_ （ 下划线 ）
  • 将结果文本写入另一个文件（稍后使用）
  • 它以文本模式打开文件，这也是一件坏事，因为它们可能具有不同的编码
• _process_match ：辅助函数（由上一版本使用）来纠正以数字开头的标签（因为这有点复杂，并且lambda很难读取）

输出 ：

 (py35x64_test) E:\\Work\\Dev\\StackOverflow\\q048571060>"e:\\Work\\Dev\\VEnvs\\py35x64_test\\Scripts\\python.exe" code.py <?xml version="1.0" encoding="UTF-8" ?> <root> <_1ELEMENT0> text 1ELEMENT0 </_1ELEMENT0> <ELEMENT0> text ELEMENT0 </ELEMENT0> <_11ELEMENT1> text 11ELEMENT1 </_11ELEMENT1> <ELEMENT1> text ELEMENT1 </ELEMENT1> </root> _1ELEMENT0 - [ text 1ELEMENT0 ] ELEMENT0 - [ text ELEMENT0 ] _11ELEMENT1 - [ text 11ELEMENT1 ] ELEMENT1 - [ text ELEMENT1 ] 

最后说明 ：

• 许多人注意到，这是在处理效果而不是原因，或者是“ 将污垢隐藏在地毯下 ”。 这是（ lam ）解决方法（ gainarie ），仅用于使您了解这一点
• XML可能包含其他语法错误
• 即使该文件现在在语法上正确，也可能存在语义错误
• 继续朝这个方向前进是一个明确的灾难配方。 适当的修复应该在生成XML的任何地方进行 （这只是常识）

Answer 2

这不是XML文件。

考虑到文件格式是垃圾，您确定内容也不是垃圾吗？ 我不想使用来自这样一个不可靠来源的数据。

如果要解析此数据，则需要确定其遵循的规则。 如果这些规则与XML规则非常相似，则可能是将其转换为XML，然后解析XML是解决此问题的一种合理方法。 如果没有，您最好从头开始编写解析器。

但是在您这样做之前，请尝试说服对这种胡言乱语负责的人员遵守标准的好处。

Answer 3

你可以

1. 加载文件

2. 做替换，例如

   string_containing_modified_data = data_as_string.replace('\\\\>', '/>')

3. 使用etree.fromstring(string_containing_modified_data)解析xml。

如果可能的话，您应该尝试修复作家，但是我知道您是否没有机会这样做。