使用 lxml 解析 dblp 数据时出现实体“ouml”错误答案

【问题标题】：Entity 'ouml' error while using lxml to parse dblp data使用 lxml 解析 dblp 数据时出现实体“ouml”错误
【发布时间】：2018-04-02 16:13:05
【问题描述】：

我正在尝试解析 dblp 数据（xml 格式）。到目前为止，我的代码是：

#-*-coding:utf-8-*-  
from  lxml  import  etree # lxml import library  
parser = etree.XMLParser (load_dtd =True) 
Tree = etree.parse( "dblp.xml" ,parser) 
Root = tree.getroot()

我尝试运行代码并收到以下错误：

Tree = etree.parse( "dblp.xml" ,parser) # Parse the xml with tree structure  
  File "src/lxml/etree.pyx", line 3426, in lxml.etree.parse
  File "src/lxml/parser.pxi", line 1839, in lxml.etree._parseDocument
  File "src/lxml/parser.pxi", line 1865, in lxml.etree._parseDocumentFromURL
  File "src/lxml/parser.pxi", line 1769, in lxml.etree._parseDocFromFile
  File "src/lxml/parser.pxi", line 1162, in lxml.etree._BaseParser._parseDocFromFile
  File "src/lxml/parser.pxi", line 600, in lxml.etree._ParserContext._handleParseResultDoc
  File "src/lxml/parser.pxi", line 710, in lxml.etree._handleParseResult
  File "src/lxml/parser.pxi", line 639, in lxml.etree._raiseParseError
  File "dblp.xml", line 70

  lxml.etree.XMLSyntaxError: Entity 'ouml' not defined, line 70, 
  column 27

我该如何解决这个错误？

注意：我在同一位置有 xml 和 dtd 文件。

【问题讨论】：

XML 文档是什么样的？

标签： python json xml

【解决方案1】：

我最近在解析 DBLP 的 XML 数据库时遇到了同样的问题。就我而言，我的dblp.xml 缺少适当的.dtd 文件（它提供了解析某些自定义实体的必要信息，包括ouml）。文件的顶部应如下所示：

<?xml version="1.0" encoding="ISO-8859-1"?>
<!DOCTYPE dblp SYSTEM "dblp-2017-08-29.dtd">

第二行指定的.dtd 文件应与您尝试解析的dblp.xml 文件位于同一目录中。您可以从此处下载适当的.dtd 文件您的 XML 文件：http://dblp.org/xml/release/

$ ls
dblp-2017-08-29.dtd  dblp-2018-11-01.xml

此外，鉴于dblp.xml 的大小，您可能还想使用lxml.etree.iterparse 来代替流式传输文件的内容。下面是我用来获取数据库中某些类型出版物条目的一些代码。

fn = 'dblp.xml'
for event, elem in lxml.etree.iterparse(fn, load_dtd=True):
    if elem.tag not in ['article', 'inproceedings', 'proceedings']:
        continue

    title = elem.find('title')  # type: Optional[str]
    year = elem.find('year')  # type: Optional[int]
    authors = elem.find('author')  # type: Optional[str]
    venue = elem.find('venue')  # type: Optional[str]

    ...

    elem.clear()

【讨论】：