web-dev-qa-db-ja.com

Python不明なXMLエンティティを解析するためのElementTreeサポート？

解析する超単純なXMLファイルのセットがあります...しかし...それらはカスタム定義されたエンティティを使用します。これらを文字にマッピングする必要はありませんが、それぞれを解析して処理したいと思います。例えば：

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

http://effbot.org/elementtree/elementtree-xmlparser.htm に興味をそそるヒントがあります。XMLParserのエンティティサポートは制限されていますが、上記のメソッドが見つかりません。すべてエラーが発生します。

    #!/usr/bin/python
    ##
    ## Where's 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

コメントの調整方法に応じて、次のようになります。

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

または

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

または

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

好奇心旺盛な人のために、XMLは OpenStreetMap のmapnikプロジェクトからのものです。

pythonxmlopenstreetmap
20
Bryce

これがElementTreeのバグなのかどうかはわかりませんが、以前と同じように動作するには、expatパーサーでUseForeignDTD（True）を呼び出す必要があります。

少しハッキーですが、ElementTree.Parserの独自のインスタンスを作成し、そのインスタンスのxml.parsers.expatでメソッドを呼び出して、それをElementTree.parse（）に渡すことでこれを行うことができます。

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

「MOOOOO」を出力します

または、マッピングインターフェイスを使用します。

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

これは「moo_1」を出力します

より複雑な修正は、ElementTree.XMLParserをサブクラス化し、そこで修正することです。

12
cnelson

@cnelsonがコメントですでに指摘しているように、ここで選択したソリューションはPython 3では機能しません。

私はついにそれを機能させました。これから引用 Q＆A 。

この投稿 に触発されて、受信する生のHTMLコンテンツにXML定義を追加するだけで、ElementTreeはそのままで機能します。

これは、Python 2.6、2.7、3.3、3.4の両方で機能します。

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)
9
RayLuo