通过lxml.etree.iterparse解析单个文件中的几个XML声明

Question

我需要解析一个包含各种XML文件的文件，即<xml> </ xml> <xml> </ xml> ..等等。 使用etree.iterparse时，出现以下（正确）错误：

lxml.etree.XMLSyntaxError: XML declaration allowed only at the start of the document

现在，我可以预处理输入文件，并为每个包含的XML文件生成一个单独的文件。 这可能是最简单的解决方案。 但是我想知道是否存在针对此“问题”的适当解决方案。

谢谢！

Answer 1

您提供的样本数据提示了一个问题，而您提供的问题和异常提示了另一个问题。 您是否有多个串联在一起的XML文档，每个文档都有自己的XML声明，或者您是否有一个包含多个顶级元素的XML片段？

如果是前者，则解决方案将涉及将输入流分成多个流，并分别解析每个流。 正如一个评论所暗示的，这并不一定意味着实现XML解析器。 您可以在字符串中搜索XML声明，而不必解析其中的任何其他内容，只要您的输入不包括包含未转义XML声明的CDATA部分即可。 您可以编写一个类似文件的对象，该对象从基础流返回字符，直到命中XML声明为止，然后将其包装在生成器函数中，该函数一直返回流，直到到达EOF。 这不是微不足道的，但是也不是那么困难。

如果您有一个包含多个顶级元素的XML片段，则可以将它们包装为一个XML元素并解析整个内容。

当然，与涉及不良XML输入的大多数问题一样，最简单的解决方案可能就是修复产生不良输入的问题。

Answer 2

我用正则表达式解决了这个问题。 假设数据是一个包含多个xml文档的字符串，并且该句柄是一个将对每个文档执行某些操作的函数。 执行此循环后，数据将为空，或包含不完整的XML文档，并且句柄函数将被调用零次或多次。

while True:
  match = re.match (r'''
        \s*                 # ignore leading whitespace
        (                   # start first group
          <(?P<TAG>\S+).*?> # opening tag (with optional attributes)
            .*?             # stuff in the middle
          </(?P=TAG)>       # closing tag
        )                   # end of first xml document
        (?P<REM>.*)         # anything else
      ''',
    data, re.DOTALL | re.VERBOSE)
  if not match:
    break
  document = match.group (1)
  handle (document)
  data = match.group ('REM')