![](/img/trans.png)
[英]Parsing XML with python ElementTree: ParseError: mismatched tag
[英]XML parsing problem, some Bengali character shows ParseError in Python ElementTree
一些孟加拉语字符,例如 'ৎ' , '।' 当我尝试解析下面的 xml 文件“temp.xml”时显示 ParseError:
<?xml version="1.0" encoding="UTF-8"?>
<doc>
<WORD>
<অ>
<অসুখে>অসুখ</অসুখে>
<অসৎকে>অসৎ</অসৎকে>
</অ>
</WORD>
</doc>
使用python解析它:
import xml.etree.ElementTree as ET
trees = ET.parse('temp.xml')
roots = trees.getroot()
给出错误:
File "<string>", line unknown
ParseError: not well-formed (invalid token): line 6, column 11
错误是针对 xml 文件行(对于 'ৎ' 字符):
<অসৎকে>অসৎ</অসৎকে>
我该如何解析这些字符?
看起来 XML 解析器尚未更新以反映 XML 1.0,第五版中关于元素名称、属性等中允许的字符的更改。
问题中的 XML 文档被 ElementTree 和 minidom(使用 Expat 解析器)拒绝,但被 lxml(使用 libxml2)接受。
1998 年的原始 XML 1.0 建议中的有效字符规则基于 Unicode 2.0。 Unicode 4.1.0(2005 年发布)中添加了孟加拉语字符“ৎ”(U+09CE)。 Unicode 2.0 中未包含的字符最初不允许出现在元素名称中。 在 2008 年的 XML 1.0 第五版 ( https://www.w3.org/TR/REC-xml/ ) 中,限制放宽,几乎可以使用任何字符。
有关这方面的更多信息,请参阅 XML 1.0 第四版勘误表 ( https://www.w3.org/XML/xml-V10-4e ) 中“对 XML 名称的建议(非规范)”部分中的“基本原理” -勘误表)。
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.