如何解析包含HTML實體的XML？

Question

我有一個將XML作為字符串並嘗試使用xml解析的腳本

這是我正在使用的代碼的示例

from xml.etree.ElementTree import fromstring
my_xml = """
    <documents>
          <record>Hello< &O >World</record>
    </documents>
"""
xml = fromstring(my_xml)

當我運行代碼時，我得到一個ParseError

Traceback (most recent call last):
  File "C:/Code/Python/xml_convert.py", line 7, in <module>
    xml = fromstring(my_xml)
  File "C:\Python27\lib\xml\etree\ElementTree.py", line 1300, in XML
    parser.feed(text)
  File "C:\Python27\lib\xml\etree\ElementTree.py", line 1642, in feed
    self._raiseerror(v)
  File "C:\Python27\lib\xml\etree\ElementTree.py", line 1506, in _raiseerror
    raise err
xml.etree.ElementTree.ParseError: not well-formed (invalid token): line 3, column 18

如XML中的無效字符所述，這是由於具有HTML實體< ， >和&

我該如何處理這些實體，以便XML將它們讀取為純文本？

Answer 1

您可以將lxml Parser與lxml recover=True標志一起使用：

In [25]: import lxml.etree as ET

In [26]: from lxml.etree import XMLParser

In [27]: my_xml = """
   ....:     <documents>
   ....:           <record>Hello< &O >World</record>
   ....:     </documents>
   ....: """

In [28]: parser = XMLParser(recover=True)

In [29]: element = ET.fromstring(my_xml, parser=parser)

In [30]: for text in element.itertext():
   ....:     print(text)
   ....:     


Hello  >World

Answer 2

你不能做你所要的。 您的文檔不是格式正確的XML，任何兼容的XML解析器都會拒絕它。

您可以編寫使用正則表達式對其進行修復並將其制成XML的代碼，但是任何此類解決方案幾乎都肯定會出現錯誤和易出錯，並且會引起比其解決的問題更多的問題。

如果您真的不能從源頭上解決此問題，那么文檔格式正確，那么最好的選擇可能是利用人的智能手動修復它們。