首页 文章

在Python 3中使用SAX Parser解析XML

提问于
浏览
2

我正在尝试将一些代码移植到Python 3,它将 xml.sax.make_parser 函数创建的解析器作为 xml.dom.minidom.parseString 的第二个参数传递给解析XML文档 .

在Python 3中,解析器似乎无法将XML文档解析为 bytes ,但在解析之前我无法知道XML文档的编码 . 展示:

import xml.sax
import xml.dom.minidom

def try_parse(input, parser=None):
    try:
        xml.dom.minidom.parseString(input, parser)
    except Exception as ex:
        print(ex)
    else:
        print("OK")

euro = u"\u20AC" # U+20AC EURO SIGN
xml_utf8 = b"<?xml version=\"1.0\" encoding=\"utf-8\"?>"
xml_cp1252 = b"<?xml version=\"1.0\" encoding=\"windows-1252\"?>"

test_cases = [
    b"<a>" + euro.encode("utf-8") + b"</a>",
    u"<a>" + euro + u"</a>",
    xml_utf8 + b"<a>" + euro.encode("utf-8") + b"</a>",
    xml_cp1252 + b"<a>" + euro.encode("cp1252") + b"</a>",
]

for i, case in enumerate(test_cases, 1):
    print("%d: %r" % (i, case))
    try_parse(case)
    try_parse(case, xml.sax.make_parser())

Python 2:

1: '<a>\xe2\x82\xac</a>'
OK
OK
2: u'<a>\u20ac</a>'
'ascii' codec can't encode character u'\u20ac' in position 3: ordinal not in range(128)
'ascii' codec can't encode character u'\u20ac' in position 3: ordinal not in range(128)
3: '<?xml version="1.0" encoding="utf-8"?><a>\xe2\x82\xac</a>'
OK
OK
4: '<?xml version="1.0" encoding="windows-1252"?><a>\x80</a>'
OK
OK

Python 3:

1: b'<a>\xe2\x82\xac</a>'
OK
initial_value must be str or None, not bytes
2: '<a>€</a>'
OK
OK
3: b'<?xml version="1.0" encoding="utf-8"?><a>\xe2\x82\xac</a>'
OK
initial_value must be str or None, not bytes
4: b'<?xml version="1.0" encoding="windows-1252"?><a>\x80</a>'
OK
initial_value must be str or None, not bytes

如您所见,默认解析器能够正常处理 bytes ,但我需要SAX解析器来处理参数实体 . 有没有解决这个问题的方法(除了在解析之前尝试猜测 bytes 的编码)?

1 回答

  • 1

    我好像找到了问题的原因 . xml.dom.minidom.parseString 调用 xml.dom.pulldom.parseString 如果提供了解析器(通过 _do_pulldom_parse ),然后尝试构造 StringIO 以在解析时保存XML文档 . 换掉 StringIOBytesIO 解决了问题,所以我想我会使用以下方法作为解决方法:

    from io import StringIO, BytesIO
    
    def parseMaybeBytes(string, parser):
        bufsize = len(string)
        stream_class = BytesIO if isinstance(string, bytes) else StringIO
        buf = stream_class(string)
        return xml.dom.pulldom.DOMEventStream(buf, parser, bufsize)
    
    def parseString(string, parser=None):
        """Parse a file into a DOM from a string."""
        if parser is None:
            return xml.dom.minidom.parseString(string)
    
        return xml.dom.minidom._do_pulldom_parse(parseMaybeBytes, (string,),
                                                 {'parser': parser})
    

相关问题