Python 解析未知的标记xml文件

我试图解析一个xml文件。 我的问题与此相同：

我尝试了解套的方法

它工作得很好。但仅适用于具有单个标记的行

例如：

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

泡沫

这很有效 但如果是这样的话：

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

src=''\
http://www.openlist.com/new-york-ny/mickey-mantles/27612417/?numReviews=178
'''

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，并且必须在那里设置库。。而且会变得一团糟

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

上面链接中的代码：

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)

将xml.sax导入为sax
将xml.sax.handler作为saxhandler导入
导入pprint
类TagParser（saxhandler.ContentHandler）：
# http://docs.python.org/library/xml.sax.handler.html#contenthandler-物体
定义初始化（自）：
self.tags={}
def startElement（自身、名称、属性）：
self.tag=名称
定义元素（自身、名称）：
如果self.tag：
self.tags[self.tag]=self.data
self.tag=None
self.data=None
def字符（自身、内容）：
self.data=内容
parser=TagParser（）
src=''\
泡沫
汽车
42
'''
parseString（src，解析器）
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

unittest中第59行的文件“extract_xml.py” parseString（src，解析器） 文件“C:\Python27\lib\xml\sax\\ uuuuu init\ uuuuuuu.py”，第49行，格式为parseString parser.parse（inpsrc） 文件“C:\Python27\lib\xml\sax\expatreader.py”，第107行，在parse中 IncrementalParser.parse（self，source） 文件“C:\Python27\lib\xml\sax\xmlreader.py”，第125行，在parse中 self.close（） 文件“C:\Python27\lib\xml\sax\expatreader.py”，第217行，关闭 self.feed（“”，isFinal=1） 文件“C:\Python27\lib\xml\sax\expatreader.py”，第211行，在提要中 self.\u err\u handler.fatalError（exc） 文件“C:\Python27\lib\xml\sax\handler.py”，第38行，在fatalError中 引发异常 xml.sax._exceptions.SAXParseException:：2:4:未找到元素

---

标签解析器

使用
endElement
向
self.tags
添加数据

src
等于

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

然后，该计划产生了收益

{u'link': u'http://www.openlist.com/new-york-ny/mickey-mantles/27612417/?numReviews=178'}

TagParser
使用
endElement
向
self.tags
添加数据

src
等于

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

然后，该计划产生了收益

{u'link': u'http://www.openlist.com/new-york-ny/mickey-mantles/27612417/?numReviews=178'}

不管你的问题是什么，这实际上效果很好：

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)

您的另一个示例确实失败了，但这只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)

src=''http://www.openlist.com/new-york-ny/mickey-mantles/27612417/?numReviews=178'''
parser=TagParser（）
parseString（src，解析器）
pprint.pprint（parser.tags）

review
标记在源代码中从未关闭，因此这不是有效的XML片段，因此在尝试解析它时会引发异常

如果您的问题是从有效文档中取出不完整的片段，请不要这样做；把整个
review
标记拿出来进行解析，而不是试图解析其中的一行

如果您的问题是源数据实际上不是有效的XML，那么您需要使用一个专门用于处理损坏的XML的解析器，如；无论是
ElementTree
还是
xml.sax
都不起作用。
不管您的问题是什么，这实际上效果很好：

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)

您的另一个示例确实失败了，但这只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)

src=''http://www.openlist.com/new-york-ny/mickey-mantles/27612417/?numReviews=178'''
parser=TagParser（）
parseString（src，解析器）
pprint.pprint（parser.tags）

review
标记在源代码中从未关闭，因此这不是有效的XML片段，因此在尝试解析它时会引发异常

如果您的问题是从有效文档中取出不完整的片段，请不要这样做；把整个
review
标记拿出来进行解析，而不是试图解析其中的一行

如果您的问题是源数据实际上不是有效的XML，那么您需要使用一个专门用于处理损坏的XML的解析器，如；
ElementTree
和
xml.sax
都不起作用。
你说的“它失败”是什么意思？有错误消息吗？@GrzegorzOledzki:已编辑。thanksI在Python2.7.2中运行了您的精确代码，我得到了
{u'tag…'：u'42'，u'tag_x'：u'bubbles'，u'tag_uy'：u'car'}
。同时，您的问题描述说，当标记在单独的行上时，它可以工作，但当它们都在同一行上时，它会失败……然后，当标记在单独的行上时，您的示例代码显示它失败。是哪一个？@Fraz:你在回复之前读过我的评论吗？“它使用
lxml.etree.ElementTree
而不是内置的
xml.etree.ElementTree
或
xml.etree.celementree
，但这实际上是一个1个字符的更改。”你说的“它失败”是什么意思？有错误消息吗？@GrzegorzOledzki:已编辑。thanksI在Python2.7.2中运行了您的精确代码，我得到了
{u'tag…'：u'42'，u'tag_x'：u'bubbles'，u'tag_uy'：u'car'}
。同时，您的问题描述说，当标记在单独的行上时，它可以工作，但当它们都在同一行上时，它会失败……然后，当标记在单独的行上时，您的示例代码显示它失败。是哪一个？@Fraz:你在回复之前读过我的评论吗？“它使用
lxml.etree.ElementTree
而不是内置的
xml.etree.ElementTree
或
xml.etree.celementree
，但这实际上是一个单字符的更改。”