如何用xml.dom.minidom解析具有'％$＃* ^'這樣的字符的xml文件？

Question

我創建了python腳本，該腳本使用xml.dom.minidom解析xml（以下給出的格式）。 然后將電子郵件警報發送到xml文件中定義的電子郵件ID以及xml中定義的其他數據（例如主題，頁面等）。當主題包含“＆＃@％*”等字符時，出現錯誤“ xml.parsers.expat .ExpatError：格式不正確（令牌無效）：第14行，第36列？。請提出如何解決此問題的建議？

file.xml
<?xml version="1.0" encoding="utf-8" ?>
<Fax>
<FaxID>1137</FaxID>
<Owner>MUMBAI</Owner>
<IsReceived>True</IsReceived>
<FileName>In201804231733471833E6478.tif</FileName>
<CreateTime>2018-04-23 17:33:54</CreateTime>
<Pages>2</Pages>
<Status>DoneOK</Status>  
<ToFaxNumber></ToFaxNumber>
<ToCompanyName></ToCompanyName>
<ToFaxNumber></ToFaxNumber>
<ToName></ToName>
<FromName>Test Email & Transaction from Test Branch</FromName>
<FromCompanyName></FromCompanyName>
<FromFaxNumber>-6194</FromFaxNumber>  
<SendJobID>0</SendJobID>
<Matter>23-Apr-18 17:33</Matter>
<BillingCode>emailid@example.com</BillingCode>
<CustomCode1>0000482</CustomCode1>
<CustomCode2>Apr 23 2018  5:33PM</CustomCode2>
<Subject></Subject>  
<FromFaxNumber>-6194</FromFaxNumber>
<CallerID>-6194</CallerID>
</Fax>

示例腳本

from xml.dom.minidom import parse, parseString
import os
import glob


path = r'C:\Users\sachin\Desktop\xmlwatcher'

for xml in glob.glob(os.path.join(path, '*.xml')):
    xmldoc = parse(xml)
    Subject = xmldoc.getElementsByTagName('FromName')[0].firstChild.data
    print(Subject)

Answer 1

不幸的是，xml.dom.minidom是正確的。 正確的xml文本不應包含Raw &字符。 在xml中， &用於引入實體，應以&代替& 。

因此，任何嚴格的 xml解析器都應在該行阻塞，因為這是非法的。

該怎么辦？

最好的方法是修復生產者中的錯誤，並處理正確的xml文件。 如果不可能，您可以嘗試手動修復它，並用&替換所有行& 。

一種簡單且可能更強大的方法是使用BeautifulSoup。 這是解析錯誤輸入的絕佳選擇，並且能夠自動找到面對錯誤輸入文件的最佳解釋。 這里：

t = """<?xml version="1.0" encoding="utf-8" ?>
<Fax>
...
<FromName>Test Email & Transaction from Test Branch</FromName>
...
</Fax>"""

import bs4

soup = bs4.BeautifulSoup(t, 'html.parser')
print(soup.prettify())

修復違規&並顯示：

<?xml version="1.0" encoding="utf-8" ?>
<fax>
 ...
 <fromname>
  Test Email &amp; Transaction from Test Branch
 </fromname>
 ...
</fax>