如何在 python SAX 解析器中转义 XML 特殊字符？答案

【问题标题】：How to escape XML special characters in python SAX parser?如何在 python SAX 解析器中转义 XML 特殊字符？
【发布时间】：2022-12-11 15:31:00
【问题描述】：

我正在尝试解析大型 XML 文档并仅提取 <Text> 标记内容。

XML文件：

<?xml version="1.0" encoding="UTF-8"?>
<EchoroukonlineData>
<Echoroukonline>
 <ID>SHG_ARB_0000001</ID>
 <URL>http://www.echoroukonline.com/ara/articles/1.html</URL>
 <Headline>title</Headline>
 <Dateline>2008/02/22</Dateline>
 <Text>Text that should be parsed <!--><li><p><--></Text>
</Echoroukonline>
</EchoroukonlineData>

我正在使用 SAX 解析器来执行此任务，如下所示：

import xml.sax
import pandas as pd
from xml.sax.saxutils import escape
articles = []

class articlesHandler(xml.sax.ContentHandler):
    def startElement(self, name, attrs):
        self.current = name
      
    def characters(self, content):
        if self.current == "Text":
            self.Text = content
            
    def endElement(self, name):
        if self.current == "Text":
            text=self.Text
            articles.append(text)
            
handler = articlesHandler()
parser = xml.sax.make_parser()
parser.setContentHandler(handler)
parser.parse('dataset.xml')

问题是 <Text> 标签包含 XML 特殊字符，如 <、>，我想忽略这些特殊字符。有一个函数可以转义特殊字符xml.sax.saxutils.escape(data)。我在 characters() 函数中使用它如下：

def characters(self, content):
        if self.current == "Text":
            self.Text = escape(content)

但它仍然不起作用。
报错信息：xml.sax._exceptions.SAXParseException: dataset.xml:8:1756: not well-formed (invalid token)

【问题讨论】：

标签： python parsing xml-parsing sax saxparser

【解决方案1】：

def characters(self, content):
  if self.current == "Text":
  self.Text = re.sub('[<>,]', '', content)

这将从 XML 文本中删除任何“<”、“>”或“,”字符，然后再将其存储在“self.Text”变量中。

【讨论】：