Python.expat可以'；t解析带有错误符号的XML文件。怎么走？

我正在尝试用expat解析XML文件（OSM数据），expat无法解析带有某些Unicode字符的行：

<tag k="name"
v="абвгдежзиклмнопр�?туфхцчшщьыъ�?ю�?�?БВГДЕЖЗИКЛМ�?ОПРСТУФХЦЧШЩЬЫЪЭЮЯ" />

<tag k="name" v="Cin\x8e? Rex" />

（开头行中的XML文件编码为“UTF-8”）

---

文件很旧，一定有错误。在现代文件中，我看不到UTF-8错误，它们解析得很好。但是，如果我的程序遇到一个损坏的符号，我可以采取什么解决方法呢？是否可以加入bz2编解码器（我解析压缩文件）和utf-8编解码器以忽略断开的字符，或者将它们更改为“？”？

不确定是否�' 字符是通过复制粘贴字符串引入的， 但如果原始数据中有它们，那么它似乎是生成器 引入\uFFFD特征的问题如下：

“用于替换值未知或未知的传入字符 在Unicode中不可表示”

从以下地点登记：

解决办法？只是扩展的想法：

good = True
buf = None
while True:
if good:
        buf = f.read(buf_size)
        else:
        # try again with cleaned buffer
        pass
        try:
            xp.Parse(buf, len(buf) == 0)
            if (len(buf) == 0):
                    break
        good = True
    except ExpatError:
        if xp.ErrorCode  == XML_ERROR_BAD_CHAR_REF:
            # look at ErrorByteIndex (or nearby)
            # for 0xEF 0xBF 0xBD (UTF8 replacement char) and remove it
            good = False
        else:
            # other errors processing
            pass

或者清除输入缓冲区+角盒（缓冲区端的部分序列）。 我记不起python的expat是否允许分配自定义错误处理程序。 那就容易多了

如果我把你的样品从�' 字符处理好了。 \xd1不会失败

---

OSM数据？

字符集听起来像什么，它是OSM全地球垃圾场。我将尝试为您的代码生成一个生成器，谢谢！我注意到xp.ErrorCode包含一个数字代码，但是XML\u ERROR\u BAD\u CHAR\u REF包含一个字符串（Python 2.6）。如果我想检查错误类型，那将是一个相当头疼的问题：我需要比较字符串，等等。。。这是行不通的：当expat引发错误时，它已经吃掉了最多的字符，而且我看不到在

buf

中获取错误字符索引的方法。只有

lineno

和

columnno

和字符计数器可以计算文件中的所有字符，但不能计算

buf

中的所有字符。因此，请尝试我发布的另一个内容。读取后清除缓冲区。还要检查缓冲区结束部分序列，如果是：将该部分移到“提醒”存储器中，该存储器将与下一个读取的缓冲区合并。还有一件事：让你的输入数据�' 角色，还是外派人员报道其他事情？我已经用ExpAT2.0.1检查了我的PLANET100129OSM，但是在C++应用程序中（只有我们的一半），没有字符错误（文件解压缩）。你能在未压缩的文件上试一下吗？看看你是否有同样的错误？