使用 Python 和 lxml 针对外部 DTD 验证 XML答案

【问题标题】：Using Python and lxml to validate XML against an external DTD使用 Python 和 lxml 针对外部 DTD 验证 XML
【发布时间】：2014-04-18 23:42:06
【问题描述】：

我正在尝试根据 doctype 标记中引用的外部 DTD 验证 XML 文件。具体来说：

<?xml version="1.0" encoding="UTF-8"?>
<!DOCTYPE en-export SYSTEM "http://xml.evernote.com/pub/evernote-export3.dtd">
...the rest of the document...

我正在使用 Python 3.3 和 lxml 模块。从阅读 http://lxml.de/validation.html#validation-at-parse-time 开始，我把它放在一起：

enexFile = open(sys.argv[2], mode="rb") # sys.argv[2] is the path to an XML file in local storage.
enexParser = etree.XMLParser(dtd_validation=True)
enexTree = etree.parse(enexFile, enexParser)

根据我对validation.html 的理解，lxml 库现在应该负责检索DTD 并执行验证。但相反，我得到了这个：

$ ./mapwrangler.py validate notes.enex
Traceback (most recent call last):
  File "./mapwrangler.py", line 27, in <module>
    enexTree = etree.parse(enexFile, enexParser)
  File "lxml.etree.pyx", line 3239, in lxml.etree.parse (src/lxml/lxml.etree.c:69955)
  File "parser.pxi", line 1769, in lxml.etree._parseDocument (src/lxml/lxml.etree.c:102257)
  File "parser.pxi", line 1789, in lxml.etree._parseFilelikeDocument (src/lxml/lxml.etree.c:102516)
  File "parser.pxi", line 1684, in lxml.etree._parseDocFromFilelike (src/lxml/lxml.etree.c:101442)
  File "parser.pxi", line 1134, in lxml.etree._BaseParser._parseDocFromFilelike (src/lxml/lxml.etree.c:97069)
  File "parser.pxi", line 582, in lxml.etree._ParserContext._handleParseResultDoc (src/lxml/lxml.etree.c:91275)
  File "parser.pxi", line 683, in lxml.etree._handleParseResult (src/lxml/lxml.etree.c:92461)
  File "parser.pxi", line 622, in lxml.etree._raiseParseError (src/lxml/lxml.etree.c:91757)
lxml.etree.XMLSyntaxError: Validation failed: no DTD found !, line 3, column 43

这让我很吃惊，因为如果我关闭验证，那么文档解析得很好，我可以通过print(enexTree.docinfo.doctype) 来获取

$ ./mapwrangler.py validate notes.enex
<!DOCTYPE en-export SYSTEM "http://xml.evernote.com/pub/evernote-export3.dtd">

所以在我看来，找到 DTD 应该没有任何问题。

感谢您的帮助。

【问题讨论】：

在构造解析器对象的时候加上no_network=False会怎样？请参阅此处的“解析器选项”：lxml.de/parsing.html#parsers。
啊，非常感谢@mjzn！就是这样。你能把它写在答案中，这样我就可以奖励你的声誉了吗？

标签： python xml validation lxml dtd

【解决方案1】：

由于我仍然不知道的原因，我的问题与 XML 目录在我的本地文件系统上的位置有关。

就我而言，我使用与组件内容管理系统（CCMS，在本例中为 SDL Trisoft 2011 R2）紧密集成的 XML 编辑器。当编辑器连接到 CCMS 时，DTD、目录文件和一堆其他文件会同步。这些文件最终位于以下位置的本地文件系统中：

C:\Users\[username]\AppData\Local\Trisoft\InfoShare Client\[id]\Config\DocTypes\catalog.xml

我无法让它工作。只需将整个目录复制到另一个位置即可解决问题，这很有效：

f = r"path/to/my/file.xml"
# set XML catatog file path
os.environ['XML_CATALOG_FILES'] = r'C:\DATA\Mydoctypes\catalog.xml'
# configure parser
parser = etree.XMLParser(dtd_validation=True, no_network=True)
# validate
try:
   valid = etree.parse(f, parser=parser)
    print("This file is valid against the DTD.")
except etree.XMLSyntaxError, error:
   print("This file is INVALID against the DTD!")
   print(error)

显然这并不理想，但它确实有效。

这可能与文件权限有关，或者可能是 Windows 中那个古老的“文件路径太长”问题？我还没有尝试过符号链接是否可以工作。

我使用的是Windows 7，Python 2.7.11，lxml的版本是（3.6.0）。

【讨论】：

【解决方案2】：

构造解析器对象时需要添加no_network=False。此选项默认设置为True。

来自http://lxml.de/parsing.html#parsers的解析器选项文档：

no_network - 在查找外部文档时阻止网络访问（默认开启）

【讨论】：