[英]Python lxml.etree retain entity references
我正在创建一个简单的脚本来使用特定模式解析、验证、修复和重新打印 XML 文件。 整个事情都很好,但问题是当我打印修改后的 ElementTree 时,它会删除我所有的实体引用。
这是简化的 python 代码:
from pathlib import Path
from lxml import etree as ET
from lxml.builder import E
schema = ET.XMLSchema('C:/path/to/schema.xsd')
parser = ET.XMLParser(recover=True)
source_file = Path('file.xml')
tree = ET.parse(source_file.name, parser, base_url="http://www.domain.url")
root = tree.getroot()
# Do some validation
source_file.write_text(ET.tostring(tree, encoding='utf-8').decode(encoding='utf-8'), encoding='utf-8')
这是“之前”XML 的片段:
<!DOCTYPE element [
<!ENTITY % ISOEntities PUBLIC "ISO 8879-1986//ENTITIES ISO Character Entities 20030531//EN//XML" "http://www.domain.url/path/to/ISOEntities">
%ISOEntities
]>
<para>−67 to 250°</para>
之后:
<!DOCTYPE element [
<!ENTITY % ISOEntities PUBLIC "ISO 8879-1986//ENTITIES ISO Character Entities 20030531//EN//XML" "http://www.domain.url/path/to/ISOEntities">
<! -- THE ENTIRE CONTENTS OF ISOENTITIES (100s of lines of code) -->
]>
<para>-67 to 250°</para>
虽然技术上“正确”,但我想将它们保留为实体引用而不是文字字符。 如前所述,它还解决了我不想要的ISOEntities
。
现在,我尝试的明显解决方案是将resolve_entities=False
kwarg 添加到解析器。 结果是完全删除了引用并简单地将它们替换为空。
<!DOCTYPE element [
<!ENTITY % ISOEntities PUBLIC "ISO 8879-1986//ENTITIES ISO Character Entities 20030531//EN//XML" "http://www.domain.url/path/to/ISOEntities">
%ISOEntities
]>
<para>67 to 250</para>
有什么方法可以将树打印成字符串,就像它被解析时一样? (即保持 internalDTD 相同并保持实体引用不变)
编辑:使用调试器在tostring
操作之前验证实体是否丢失,因此肯定是解析过程消除了它们,而不是转换为字符串。
所以我没有找到这个问题的好答案。 实体都在 %IsoEntities 中声明,但因为它本身也是一个实体,并且我将其设置为不解析实体,所以解析器不解析 %IsoEntities,因此也不识别任何其他实体。
但我确实找到了解决方法。 结果是&
不会被替换,我猜是因为它是一个独特的案例。 所以解决方法是将所有&
替换为&
. 所以你会发送类似&minus;
的东西。 . 解析器不会将其识别为实体,并将保持原样。 一旦ElementTree被转换成字符串格式,就可以再次通过go并替换所有&
与&
所以你最终再次得到你原来的实体。
我仍然很想听听是否有人有更好的答案。
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.