在 Python 中解析 XML 但忽略实体

Question

我必须传递一个 XML 文件并将数据存储到数据库中。 问题是这个 XML 有一些我不想导入的实体，但相反，我想要原始实体标签。 为了更好地澄清，我有以下架构：

<!ENTITY exa "example">
.....
<mytag>&exa;</mytag>

如果我尝试使用以下代码解析上面读取标签“mytag”的代码：

import xml.etree.ElementTree as ET

tree = ET.parse(xmlfile)
root = tree.getroot()

for item in root:
        if item.tag == "mytag":

我读了字符串“example”。 相反，我想要标签“exa”。 我想是可能的，但因为我是新的 t python delelompent 我找不到正确的方法来获得这个结果。 一些建议？ 谢谢

Answer 1

下面是一个开始的例子：

import os
import re
from lxml import etree

xmlfile = 'testfile.xml'
xml_path = '%s/%s' % (os.path.dirname(os.path.realpath(__file__)), xmlfile)

parser = etree.XMLParser(resolve_entities=False)
tree = etree.parse(xml_path, parser)
# root = tree.getroot()

root = tree.xpath('/mytag')

for item in root:
    entity = etree.tostring(item, pretty_print=True).decode('utf-8')
    print('ENTITY     : ', entity)
    entity_value = re.findall(r'&(.*?);', entity)
    print('Parsed str : ', entity_value)

但是可能有一种更简单的方法来恢复该值。

Answer 2

您可以修改 xml 文件中的每个ENTITY标记，以便它们具有您想要的值，然后在最后将它们修改回来。

您可以创建一个类来克隆您的 xml 文件：

import os
import re

class NoEntities:
    """
    Creates a clone of the target xml file such that the <!ENTITY x "y"> tags
    become <!ENTITY x "x">.
    """

    def __init__(self, xmlFile):
        self.targetName = xmlFile
        self.tmpName = 'temp.xml'

    def __enter__(self):
        match = r'<!ENTITY\s+(\S+)\s+"[^"]+"\s*>'
        replace = r'<!ENTITY \1 "\1">'

        with open(self.targetName) as target:
            with open(self.tmpName, 'w') as tmp:
                tmp.writelines(
                    re.sub(match, replace, line)
                    for line in target
                )

        return self.tmpName

    def __exit__(self, *exec_info):
        os.remove(self.tmpName)

然后在 with 块中使用它：

import xml.etree.ElementTree as ET

with NoEntities(pathToOriginalXml) as noEntityXml:
    tree = ET.parse(noEntityXml)
    # Do what you like...