在 Python 中解析巨大的、编码错误的 XML 文件

Question

我一直致力于解析外部 XML 文件的代码。其中一些文件很大，高达千兆字节的数据。不用说，这些文件需要被解析为流，因为将它们加载到内存中效率太低，并且经常导致 OutOfMemory 问题。

我使用了 miniDOM、ElementTree、cElementTree 库，目前正在使用 lxml。 现在我有一个使用lxml.etree.iterparse 的有效的、非常节省内存的脚本。问题是我需要解析的一些 XML 文件包含编码错误（它们宣传为 UTF-8，但包含不同编码的字符）。使用lxml.etree.parse 时，可以使用自定义解析器的recover=True 选项来解决此问题，但iterparse 不接受自定义解析器。 （另见：this question）

我当前的代码如下所示：

from lxml import etree
events = ("start", "end")
context = etree.iterparse(xmlfile, events=events)
event, root_element = context.next() # <items>
for action, element in context:
    if action == 'end' and element.tag == 'item':
    # <parse>
    root_element.clear() 

iterparse 遇到错误字符时出错（在本例中为 ^Y）：

lxml.etree.XMLSyntaxError: Input is not proper UTF-8, indicate encoding !
Bytes: 0x19 0x73 0x20 0x65, line 949490, column 25

我什至不想解码这些数据，我可以放弃它。但是我不知道有什么方法可以跳过该元素 - 我在 try/except 语句中尝试了 context.next 和 continue。

任何帮助将不胜感激！

更新

一些附加信息： 这是 iterparse 失败的那一行：

<description><![CDATA:[musea de la photographie fonds mercator. Met meer dan 80.000 foto^Ys en 3 miljoen negatieven is het Muse de la...]]></description>

根据etree，错误发生在字节0x19 0x73 0x20 0x65。
根据 hexedit，19 73 20 65 转换为 ASCII .s e
这个地方的. 应该是一个撇号（照片）。

我还找到了this question，它没有提供解决方案。

Answer 1

我的 xml 文件中的 char "" 也有类似的问题，这也是无效的 xmlchar。这是因为在 xml 版本 1.0 中，不允许使用 、 等字符。规则是不允许所有字符组合为正则表达式 '[0-1]?[0-9A-E]'。我的目的是纠正一个巨大的 xml 文件中的无效字符，根据 Rik 的回答，我对其进行了如下改进：

import re

invalid_xml = re.compile(r'&#x[0-1]?[0-9a-eA-E];')

new_file = open('new_file.xml','w') 
with open('old_file.xml') as f:
    for line in f:
        nline, count = invalid_xml.subn('',line)
        new_file.write(nline) 
new_file.close()

Answer 2

我用了一段类似的代码：

 illegalxml = re.compile(u'[\x00-\x08\x0b\x0c\x0e-\x1F\uD800-\uDFFF\uFFFE\uFFFF]')

...

illegalxml.sub("?",mystring)

...

但是，这不适用于所有可能的字符串（400+MB 字符串）。

对于最终解决方案，我使用如下解码/编码：

outxml = "C:/path_to/xml_output_file.xml"
with open(outxml, "w") as out:
    valid_xmlstring = mystring.encode('latin1','xmlcharrefreplace').decode('utf8','xmlcharrefreplace')
    out.write(valid_xmlstring) 

Answer 3

由于问题是由非法 XML 字符引起的，在本例中是 0x19 字节，我决定将它们去掉。我找到了以下正则表达式on this site：

invalid_xml = re.compile(u'[\x00-\x08\x0B-\x0C\x0E-\x1F\x7F]')

我编写了这段代码，在保存 xml 提要的同时删除非法字节：

conn = urllib2.urlopen(xmlfeed)
xmlfile = open('output', 'w')

while True:
    data = conn.read(4096)
    if data:
        newdata, count = invalid_xml.subn('', data)
        if count > 0 :
            print 'Removed %s illegal characters from XML feed' % count
        xmlfile.write(newdata)

    else:
        break

xmlfile.close()

Answer 4

如果问题是实际的字符编码问题，而不是格式错误的 XML，最简单且可能最有效的解决方案是在文件读取点处理它。像这样：

import codecs
from lxml import etree
events = ("start", "end")
reader = codecs.EncodedFile(xmlfile, 'utf8', 'utf8', 'replace')
context = etree.iterparse(reader, events=events)

这将导致非 UTF8 可读字节被 '?' 替换。还有其他一些选择；有关更多信息，请参阅编解码器模块的文档。