Поддержка Python ElementTree для синтаксического анализа неизвестных объектов XML?

У меня есть набор супер простых XML файлов для синтаксического анализа... но... они используют настраиваемые сущности. Мне не нужно сопоставлять их символам, но я хочу разобрать и действовать на каждом из них. Например:

<Style name="admin-5678">
    <Rule>
      <Filter>[admin_level]='5'</Filter>
      &maxscale_zoom11;
    </Rule>
</Style>

Существует дразнящий намек на http://effbot.org/elementtree/elementtree-xmlparser.htm, что XMLParser имеет ограниченную поддержку сущностей, но я не могу найти упомянутые методы, все дает ошибки:

    #!/usr/bin/python
    ##
    ## Where the entity support as documented at:
    ## http://effbot.org/elementtree/elementtree-xmlparser.htm
    ## In Python 2.7.1+ ?
    ##
    from pprint     import pprint
    from xml.etree  import ElementTree
    from cStringIO  import StringIO

    parser = ElementTree.ElementTree()
   #parser.entity["maxscale_zoom11"] = unichr(160)
    testf = StringIO('<foo>&maxscale_zoom11;</foo>')
    tree = parser.parse(testf)
   #tree = parser.parse(testf,"XMLParser")
    for node in tree.iter('foo'):
        print node.text

Что в зависимости от того, как вы настраиваете комментарии, дает:

xml.etree.ElementTree.ParseError: undefined entity: line 1, column 5

или

AttributeError: 'ElementTree' object has no attribute 'entity'

или

AttributeError: 'str' object has no attribute 'feed'

Для тех, кому интересно, XML из проекта mapa OpenStreetMap.

Ответы

Ответ 1

Я не уверен, что это ошибка в ElementTree или что-то еще, но вам нужно вызвать UseForeignDTD (True) в синтаксическом анализаторе expat, чтобы вести себя так, как это было в прошлом.

Это немного взломано, но вы можете сделать это, создав свой собственный экземпляр ElementTree.Parser, вызвав метод на нем экземпляр xml.parsers.expat, а затем передав его ElementTree.parse():

from xml.etree  import ElementTree
from cStringIO  import StringIO


testf = StringIO('<foo>&moo_1;</foo>')

parser = ElementTree.XMLParser()
parser.parser.UseForeignDTD(True)
parser.entity['moo_1'] = 'MOOOOO'

etree = ElementTree.ElementTree()

tree = etree.parse(testf, parser=parser)

for node in tree.iter('foo'):
    print node.text

Это выводит "MOOOOO"

Или используя интерфейс отображения:

from xml.etree  import ElementTree
from cStringIO  import StringIO

class AllEntities:
    def __getitem__(self, key):
        #key is your entity, you can do whatever you want with it here
        return key

testf = StringIO('<foo>&moo_1;</foo>')

parser = ElementTree.XMLParser()
parser.parser.UseForeignDTD(True)
parser.entity = AllEntities()

etree = ElementTree.ElementTree()

tree = etree.parse(testf, parser=parser)

for node in tree.iter('foo'):
    print node.text

Это выводит "moo_1"

Более сложным решением будет подкласс ElementTree.XMLParser и исправить его там.

Ответ 2

Как уже указывал @cnelson в комментарии, выбранное решение здесь не будет работать в Python 3.

Наконец-то я начал работать. Цитируется из Q & A.

Вдохновленный этот пост, мы можем просто добавить некоторое определение XML к входящему сырому HTML-контенту, а затем ElementTree будет работать из коробки.

Это работает как для Python 2.6, 2.7, 3.3, 3.4.

import xml.etree.ElementTree as ET

html = '''<html>
    <div>Some reasonably well-formed HTML content.</div>
    <form action="login">
    <input name="foo" value="bar"/>
    <input name="username"/><input name="password"/>

    <div>It is not unusual to see &nbsp; in an HTML page.</div>

    </form></html>'''

magic = '''<!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Transitional//EN"
            "http://www.w3.org/TR/xhtml1/DTD/xhtml1-transitional.dtd" [
            <!ENTITY nbsp ' '>
            ]>'''  # You can define more entities here, if needed

et = ET.fromstring(magic + html)