BeautifulSoup 4 是否解析外部 DTD 实体？答案

【问题标题】：Does BeautifulSoup 4 resolve external DTD entities?BeautifulSoup 4 是否解析外部 DTD 实体？
【发布时间】：2018-11-27 11:46:30
【问题描述】：

我有一个 TEI 文档，其中包含编码为 &stern_1; 的字符，这些字符映射到单独的 Zeichen.dtd（文档类型定义）文件中。文件Zeichen.dtd 包含以下内容：

<?xml version="1.0" encoding="UTF-8"?>
<!ENTITY stern_1 "&#10035;" >

我使用BeautifulSoup4 和lxml-xml 作为解析器。

例子：

dtd_str = '<!DOCTYPE Zeichen SYSTEM "Zeichen.dtd">'
xml_str = "<p>Hello, &stern_1;!</p>"
from bs4 import BeautifulSoup
soup = BeautifulSoup(dtd_str+xml_str, 'lxml-xml')
print(soup.find('p').get_text())

上面的代码打印了这个：

 Hello, !

而不是这个：

 Hello, ✳!

我也尝试了内联 DTD，结果相同：

dtd_str = """
<!DOCTYPE html [
    <!ENTITY stern_1 "&#10035;">
]>
"""
xml_str = "<p>Hello, &stern_1;!</p>"

from bs4 import BeautifulSoup
soup = BeautifulSoup(xml_str, 'lxml-xml')
print(soup.find('p').get_text())

输出：

Hello, !

有什么想法吗？

【问题讨论】：

您似乎从未将 doctype 和 p-tag 字符串放在一起。你总是只查找 xml 字符串，所以我想自定义字符永远不会加载。
是的，它应该是BeautifulSoup(dtd_str+xml_str, 'lxml-xml')，但这并没有改变任何东西——问题仍然存在
谢谢，我更正了。

标签： python-3.x beautifulsoup lxml dtd tei

【解决方案1】：

终于找到了解决我自己问题的方法：

dtd_str = """
<!DOCTYPE html [
    <!ENTITY stern_1 "&#10035;">
]>
"""
xml_str = "<p>Hello, &stern_1;!</p>"
from lxml import etree
tree = etree.fromstring(dtd_str + xml_str)

from bs4 import BeautifulSoup
soup = BeautifulSoup(etree.tostring(tree, encoding='unicode'), "lxml-xml")
print(soup.find('p').get_text())

将打印这个：

Hello, ✳!

这正是我想要的。 lxml 库可以正确处理 dtd 文件，而 BeautifulSoup 在您需要遍历树时具有更好、更直观的 API。

【讨论】：