首页 文章

使用Python中的＆符号修复无效的XML

提问于
浏览 次
5

我使用Python来操作从另一个系统收到的XML文件 . 该系统产生无效的XML . 主要是，它不会逃避XML中的某些＆ .
所以，例如，我有一些这样的行：

<IceCream>Ben&Jerry</IceCream>

当然，当使用SAX或DOM解析时，它会抛出无效的令牌错误 .
对于一些更一般的背景 - 它是一个非常大的文件（2MB），相当平坦，并且在CDATA中包含大量数据 .

我尝试过的：

  • 写一个 Regex 只替换unesacped＆，没有reesacaping＆gt;等等： &(?!\w{2,4};) . 它修复了它，但它在CDATA中逃脱了＆符号，然后在目标系统中导致错误 . 之后我可以在CDATA中使用它，因为其中一些需要保持转义 .

  • 使用 Beautiful (Stone) Soup . 也不走运 . 它没有逃避松散的＆符号，而是创建了一个实体（即 &Jerry; ） . 不好 .

下一步是使用状态机编写我自己的解析器 . 救我走这条路 .
它不是一个复杂的结构（非常扁平，最多4层深），因此也许正则表达式可能能够捕获不在CDATA中的区域 .

非常感谢 .

python xml regex dom sax

1 回答

  • 4

    使用tidylib的Python绑定：

    >>> import tidylib
>>> print tidylib.tidy_document("<IceCream>Ben&Jerry</IceCream>", {"input_xml": True})[0]
<IceCream>Ben&amp;Jerry</IceCream>

    有关parser options的列表，请参阅官方整洁文档 .

    回复于

相关问题