在 Python 中处理格式错误的 XML

Question

必须处理一堆格式不正确的 XML 文件。 它们的格式不正确，因为在许多子项中，属性名称有一个空格：

<...>
    <bar attr1="..." attr xy="..."> 
        foo
    </bar>
</...>

有没有合适的方法来处理这个问题？ 目前我正在使用 Python ElementTree 进行解析。

（我猜是空白是问题，错误信息指向空白。

cElementTree.ParseError: not well-formed (invalid token): line 435, column 214

据我了解，它被解释为缺少价值的属性）

我知道在解析错误的内容之前有可能只替换它。

Answer 1

使用漂亮的汤，或带有漂亮汤后端的 lxml。但是请注意，漂亮的汤很可能会将其中带有空格的“属性名称”解析为两个属性。

另一种方法是先使用正则表达式来修正您的输入。