0

我试图解析一个 xml 文件。我的问题与此相同：

使用python ElementTree解析未知元素的xml文件

我尝试了untubu的解决方案。

它工作得很好。但仅适用于具有单个标签的行

例如：

   <some_root_name>
<tag_x>bubbles</tag_x>
 </some_root_name>

这很好用但是如果它是这样的：

src = '''\
<review type="review"><link>http://www.openlist.com/new-york-ny/mickey-mantles/27612417/?numReviews=178</link>
'''

它失败了..我有很多这样的例子。我不想超出本机库的使用范围，因为在此之后我将在不同的计算机（prod env）上运行代码，并且我将不得不在那里设置库......它变得混乱......

有没有办法，我可以修改原来的解决方案来解决这个问题。谢谢。

上面链接的代码：

import xml.sax as sax
import xml.sax.handler as saxhandler
import pprint

class TagParser(saxhandler.ContentHandler):
    # http://docs.python.org/library/xml.sax.handler.html#contenthandler-objects
    def __init__(self):
        self.tags = {}
    def startElement(self, name, attrs):
        self.tag = name
    def endElement(self, name):
        if self.tag:
            self.tags[self.tag] = self.data
            self.tag = None
            self.data = None
    def characters(self, content):
        self.data = content

parser = TagParser()
src = '''\
<some_root_name>
    <tag_x>bubbles</tag_x>
    <tag_y>car</tag_y>
    <tag...>42</tag...>
</some_root_name>'''
sax.parseString(src, parser)
pprint.pprint(parser.tags)

异常跟踪：

File "extract_xml.py", line 59, in unittest
  sax.parseString(src, parser)
File "C:\Python27\lib\xml\sax\__init__.py", line 49, in parseString
  parser.parse(inpsrc)
File "C:\Python27\lib\xml\sax\expatreader.py", line 107, in parse
  xmlreader.IncrementalParser.parse(self, source)
File "C:\Python27\lib\xml\sax\xmlreader.py", line 125, in parse
  self.close()
File "C:\Python27\lib\xml\sax\expatreader.py", line 217, in close
  self.feed("", isFinal = 1)
File "C:\Python27\lib\xml\sax\expatreader.py", line 211, in feed
  self._err_handler.fatalError(exc)
File "C:\Python27\lib\xml\sax\handler.py", line 38, in fatalError
  raise exception
xml.sax._exceptions.SAXParseException: <unknown>:2:4: no element found
4

2 回答 2

2

将TagParser数据endElement添加到self.tags.

src等于_

src = '''\
<review type="review"><link>http://www.openlist.com/new-york-ny/mickey-mantles/27612417/?numReviews=178</link></review>
'''

<review>没有结束标签，</review>所以endElement永远不会被调用。

如果您将结束</review>标签添加到src：

src = '''\
<review type="review"><link>http://www.openlist.com/new-york-ny/mickey-mantles/27612417/?numReviews=178</link></review>
'''

然后程序产生

{u'link': u'http://www.openlist.com/new-york-ny/mickey-mantles/27612417/?numReviews=178'}
于 2012-12-06T21:28:18.457 回答
1

这实际上工作得很好，尽管你的问题是这样说的：

parser = TagParser()
src = '''\
<some_root_name>
    <tag_x>bubbles</tag_x>
    <tag_y>car</tag_y>
    <tag...>42</tag...>
</some_root_name>'''
sax.parseString(src, parser)
pprint.pprint(parser.tags)

parser.tags最终为：

{u'tag...': u'42', u'tag_x': u'bubbles', u'tag_y': u'car'}

您的另一个示例确实失败了，但这仅仅是因为它不是有效的 XML：

src = '''<review type="review"><link>http://www.openlist.com/new-york-ny/mickey-mantles/27612417/?numReviews=178</link>'''
parser = TagParser()
sax.parseString(src, parser)
pprint.pprint(parser.tags)

该review标记在您的源代码中永远不会关闭，因此这不是一个有效的 XML 片段，因此当您尝试解析它时会引发异常。

如果您的问题是从有效文档中提取不完整的片段，请不要这样做；获取整个review标签并对其进行解析，而不是尝试从中解析出一行。

如果您的问题是源数据实际上不是有效的 XML，则需要使用旨在处理损坏的 XML 的解析器，例如BeautifulSoup；既不ElementTree也不xml.sax行。

于 2012-12-06T21:31:17.973 回答