如何在将 xml 文件提供给解析器之前忽略 xml 标记中的特殊字符和特殊字符答案

【问题标题】：How to ignore   and special characters from xml tag before giving xml file to parser如何在将 xml 文件提供给解析器之前忽略 xml 标记中的特殊字符和特殊字符
【发布时间】：2012-07-24 06:21:52
【问题描述】：

您好，目前我正在使用xml.sax.handler 来解析 xml 文件。

下面是我的 file.xml 代码：

<?xml version="1.0" encoding="utf-8"?>
<sturp>
  <gear>
   <UL>
   <LI><I>Free Private Housing or a Generous Housing Allowance</I></LI>
   <LI><I>$50K in Free Life Insurance coverage</I></LI>
   </UL>
   <P style="MARGIN: 0in 0in 0pt" class="MsoNormal"><FONT size="3"><SPAN style="FONT-FAMILY: Symbol; COLOR: black; mso-ascii-font-family: 'Times New Roman'">�</SPAN><SPAN style="COLOR: black"><FONT face="Times New Roman"><SPAN style="mso-spacerun: yes">&nbsp; </SPAN>Position will manage 24 ED Rooms with 24/7 accountability<o:p></o:p></FONT></SPAN></FONT></P>
   <DIV>&nbsp;</DIV>
  </gear> 
</sturp>

下面是我的代码

xmlFilePath = 'user/documents/file.xml'

try:
    parser = xml.sax.make_parser( )
    handler = FeedHandler( conn, clientSiteId, clientId, documentElementName, jobElementName )
    handler.setMapping( mapping )
    parser.setContentHandler(handler)
    parser.setEntityResolver(handler)

    parser.parse(open(xmlFilePath))

except (xml.sax.SAXParseException), e:
        print "*** PARSER error: %s" % e

输出：

*** PARSER error: user/documents/file.xml:8:150: not well-formed <invalid token>
*** PARSER error: user/documents/file.xml:9:1: not well-formed <invalid token>

实际上给我的源xml文件不是有效的xml格式，但我需要解析它。如何在将其提供给上述代码中的解析器之前从 xml 文件中忽略 &nbsp; 和 �（也应该转义所有错误和无效的 xml 标记）。

提前谢谢........

【问题讨论】：

如果您的 XML 文件没有对其编码撒谎...
@Ignacio Vazquez-Abrams：实际上一切正常，但它在特殊字符和 & 处停止，如上所示，因此如何在输入 sax 解析器之前忽略 xml 中的那些

标签： python xml

【解决方案1】：

如果您只是想从您的输入中替换 &[a-z]+; 实体，您可以使用下面我修改的解决方案。但请注意，如果您希望解析器正常工作，您仍然应该给解析器一个有效的 xml 文件。

import os, re

对于解析器：

def ignore_open( p ):
  temf = 'temp_file'
  with open(temf,'wt') as temp:
    o = open(p,'r')
    temp.write(re.sub("\&[^\;]+;",'', o.read()))
  rs = open(temf)
  os.unlink(temf)
  return rs

结果

>>> parser.parse(ignore_open(xmlFilePath))

未经测试的代码。

【讨论】：

但这会忽略所有实体，而不仅仅是&nbsp;。
@Tichodroma：对不起，我在这个意义上没有得到“所有实体”？
@Ticho 随时编辑以改进它，这是我能很快做出来的最好的东西
“所有实体”包括&auml; 等。你也想删除这些吗？
@Patrick ：实际上我的意思是忽略“&”（特殊字符），因为它是无效的 xml 令牌

【解决方案2】：

你说你在解析 XML 文件，但你错了。您正在解析非 XML 文件。 XML 解析器是为解析 XML 而设计的，如果你给他们非 XML，他们会抱怨的。

如果您希望您的系统以非 XML 格式处理消息，那么首先要做的是放弃在系统描述中提及 XML 以及使用 XML 工具进行解析的所有想法。您不必在系统中使用 XML，但是使用几乎是 XML 但不完全是 XML 的东西绝对没有意义。

另一种方法是更改生成这些消息的程序，使其生成格式正确的 XML。

【讨论】：

【解决方案3】：

当您的文件有效时，XML 才有意义。

这不是一个有效的 XML 文件，您的解析器可以正确停止。例如&nbsp; 等实体必须定义。所以你的文件应该有一个文档类型。这不仅仅是为了好玩，而且文档类型实际上定义了实体等。

如果您想要一个尽力而为的健壮和宽容的解析器，我建议您查看beautifulsoup。它可以解析大多数 HTML 和类似 XML 的文件，而不需要完全定义所有内容。那时它仍然不是有效的 XML，但它可以在以下情况下使用，例如用户搞砸了你的数据文件。

从文件中删除字符是一种 HACK，迟早会破坏。我不建议这样做。

【讨论】：