如何解析文件中的第二个xml树答案

【问题标题】：how to parse the second xml tree in a file如何解析文件中的第二个xml树
【发布时间】：2012-02-22 03:57:15
【问题描述】：

假设我有一个类似的 XML 文件

<?xml version="1.0" encoding="utf-8"?>
<items>
  <?xml version="1.0" encoding="utf-8"?>
  <items>
    <item>
      <price>1500</price>
      <info> asfgfdff</info>
    </item>
  </items>

如何解析，以便解析器选择最近更新的 xml 树？

【问题讨论】：

您是从字面上重复前两行还是只是复制和粘贴错误？
我可能弄错了，但我很确定 xml 文件不能有多个声明 (...?>)，除非它们包含在 CDATA 部分中。
是的，我从字面上重复它。每当我爬过一个网站时，我都会将它保存在一个文件中。所以，当我尝试解析它时，我会收到这个错误lxml.etree.XMLSyntaxError: XML declaration allowed only at the start of the document, line 2, column 6
我的意思是提取的数据是这样保存的
就像 João Lourenço 所说，双 XML 序言声明不是有效的 XML。这正是 lxml 解析器告诉您的内容：“”，它在抱怨第二个 xml 声明。这更像是一种 XML 汤，因此在您更正保存数据的方式之前，您将无法解析它。

标签： python xml lxml scrapy

【解决方案1】：

with open('file','r') as f:
    newestXml = []
    for line in f.readlines():
        if re.search('^<\?xml',line):
            newestXml = [line]
        else:
            newestXml.append(line)

在循环结束时，newestXml 将包含从最后一次出现 <?xml 到文件末尾的所有行。现在您可以合并这些行并使用 xml 解析器来解析 xml。

注意 - 我现在无法检查此代码，因此它可能包含一些小错误，但我希望这个想法对您有所帮助。

【讨论】：

对此不确定 - latestXml 将包含“内部” xml 文档以及“外部”文档的结束标签，例如项目>）。将正则表达式与 XML 一起使用是一堆蠕虫！