3

我需要解析一个编码为“ISO-8859-1”的 1.2GB XML 文件，在阅读了 NET 上的几篇文章后，似乎 Python 的 ElementTree 的 iterparse() 优于 SAX 解析。

我写了一段非常短的代码只是为了测试它，但它提示了一个我不知道如何解决的错误。

我的代码（Python 2.7）：

from xml.etree.ElementTree import iterparse

for (event, node) in iterparse('dblp.xml', events=['start']):
    print node.tag
    node.clear()

编辑：啊，因为文件真的很大而且很迟钝，我输入了 XML 行，并犯了一个错误。它是“ü” 没有空间。我为此道歉。

这段代码运行良好，直到它在 XML 文件中找到如下所示的一行：

<Journal>Technical Report 248, ETH Z&uuml;rich, Dept of Computer Science</Journal>

我猜这意味着苏黎世，但解析器似乎不知道这一点。

运行上面的代码给了我一个错误：

xml.etree.ElementTree.ParseError: undefined entity &uuml;

无论如何我可以解决这个问题吗？我用谷歌搜索了很多解决方案，但似乎没有一个直接解决这个问题。

4

1 回答 1

2

尝试以下操作：

from xml.etree.ElementTree import iterparse, XMLParser
import htmlentitydefs

class CustomEntity:
    def __getitem__(self, key):
        if key == 'umml':
            key = 'uuml' # Fix invalid entity
        return unichr(htmlentitydefs.name2codepoint[key])

parser = XMLParser()
parser.parser.UseForeignDTD(True)
parser.entity = CustomEntity()

for (event, node) in iterparse('dblp.xml', events=['start'], parser=parser):
    print node.tag
    node.clear()

或者

from xml.etree.ElementTree import iterparse, XMLParser
import htmlentitydefs

parser = XMLParser()
parser.parser.UseForeignDTD(True)
parser.entity = {'umml': unichr(htmlentitydefs.name2codepoint['uuml'])}

for (event, node) in iterparse('dblp.xml', events=['start'], parser=parser):
    print node.tag
    node.clear()

相关问题：Python ElementTree 是否支持解析未知 XML 实体？

于 2013-09-17T06:15:07.387 回答