Python 为什么ElementTree会引发语法错误？

我一直试图用

xml.etree.ElementTree

解析一个文件：

import xml.etree.ElementTree as ET
from xml.etree.ElementTree import ParseError

def analyze(xml):
    it = ET.iterparse(file(xml))
    count = 0
    last = None

    try:        
        for (ev, el) in it:
            count += 1
            last = el

    except ParseError:
            print("catastrophic failure")
            print("last successful: {0}".format(last))

    print('count: {0}'.format(count))

这当然是我代码的简化版本，但这足以破坏我的程序。如果删除try-catch块，某些文件会出现此错误：

Traceback (most recent call last):
  File "<pyshell#22>", line 1, in <module>
    from yparse import analyze; analyze('file.xml')
  File "C:\Python27\yparse.py", line 10, in analyze
    for (ev, el) in it:
  File "C:\Python27\lib\xml\etree\ElementTree.py", line 1258, in next
    self._parser.feed(data)
  File "C:\Python27\lib\xml\etree\ElementTree.py", line 1624, in feed
    self._raiseerror(v)
  File "C:\Python27\lib\xml\etree\ElementTree.py", line 1488, in _raiseerror
    raise err
ParseError: reference to invalid character number: line 1, column 52459

回溯（最近一次呼叫最后一次）：
文件“”，第1行，在
从yparse导入分析；分析（'file.xml'）
文件“C:\Python27\yparse.py”，第10行，在analyze中
对于其中的（电动汽车，电动汽车）：
文件“C:\Python27\lib\xml\etree\ElementTree.py”，第1258行，下一行
self.\u parser.feed（数据）
文件“C:\Python27\lib\xml\etree\ElementTree.py”，第1624行，在提要中
自我提升错误（v）
文件“C:\Python27\lib\xml\etree\ElementTree.py”，第1488行，在_raiseerror中
提出错误
ParseError:对无效字符号的引用：第1行，第52459列

结果是确定的，但是，如果一个文件工作，它将始终工作。如果文件失败，它总是失败，并且总是在同一点失败

最奇怪的是，我正在使用跟踪来找出是否有任何格式错误的XML破坏了解析器。然后隔离导致故障的节点。但是，当我创建一个包含该节点及其几个邻居的XML文件时，解析工作正常

这似乎也不是尺寸问题。我成功地解析了更大的文件，没有任何问题

有什么想法吗？

以下是一些想法：

（0）解释“一个文件”和“偶尔”：你真的是说它在相同的文件中有时工作，有时失败吗

对每个失败的文件执行以下操作：

（1） 找出文件中投诉的地方：

text = open("the_file.xml", "rb").read()
err_col = 52459
print repr(text[err_col-50:err_col+100]) # should include the error text
print repr(text[:50]) # show the XML declaration

（2） 将文件提交到基于web的XML验证服务，例如

并编辑您的问题以显示您的发现

更新：以下是说明问题的最小xml文件：

[badcharref.xml]
<a>&#1;</a>

[Python 2.7.1 output]
>>> import xml.etree.ElementTree as ET
>>> it = ET.iterparse(file("badcharref.xml"))
>>> for ev, el in it:
...     print el.tag
...
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
  File "C:\python27\lib\xml\etree\ElementTree.py", line 1258, in next
    self._parser.feed(data)
  File "C:\python27\lib\xml\etree\ElementTree.py", line 1624, in feed
    self._raiseerror(v)
  File "C:\python27\lib\xml\etree\ElementTree.py", line 1488, in _raiseerror
    raise err
xml.etree.ElementTree.ParseError: reference to invalid character number: line 1, column 3
>>>

输出：

comments.xml
6615405 
10205764 �
10213901 �
10213936 �
10214123 �
13292514 
...
155656543 
155656564 
157344876 
157722583 

posts.xml
7607143 
12982273 
12982282 
12982292 
12982302 
12982310 
16085949 
16085955 
...
36303479 
36303494 &#xFFFF; <<=== whoops
38942863 &#x10;
...
785292911 &#x08;
801282472 &#x13;
848911592 &#x0B;

comments.xml
6615405；
10205764和#x00；
10213901和#x00；
10213936�；
10214123和#x00；
13292514和x03；
...
155656543和x1B；
1556564和x1B；
157344876；
157722583；
posts.xml
7607143；
12982273；
12982282；
12982292；
12982302；
12982310；
16085949；
16085955和x1C；
...
36303479；
36303494࿿ 正如@John Machin所建议的，所讨论的文件中确实有可疑的数字实体，尽管错误消息似乎指向了文本中的错误位置。可能是由于流式传输和缓冲的特性，很难报告准确的位置

事实上，所有这些实体都出现在文本中：

set(['', '', '', '', '', '', '
', '', '', '', '', '�', '', '', '
', '', '', '	', '', '', '', '', ''])

大多数是不允许的。看起来这个解析器非常严格，您需要找到另一个不那么严格的解析器，或者预处理XML。
我不确定这是否回答了您的问题，但是如果您想使用元素树引发的ParseError异常，您可以这样做：

except ET.ParseError:
            print("catastrophic failure")
            print("last successful: {0}".format(last))

来源：
我觉得在这里还需要注意的是，您可以很容易地捕捉到错误，避免完全停止程序，只需在函数中使用您稍后已经使用的内容，并放置以下语句：

it = ET.iterparse(file(xml))

在try&except括号内：

try:
    it = ET.iterparse(file(xml))
except:
    print('iterparse error')

当然，这不会修复XML文件或预处理技术，但有助于识别导致错误的文件（如果您正在分析批次）
 您必须显示一些有问题的XML。您可能有不好的XML，然后当您编辑它以缩小范围时，它就变成了好的XML。编辑可以做一些鬼鬼祟祟的事情…@nedbatcheld这个文件真的很大，让我很难上传。不过，我确实考虑过这种可能性。因此，我直接使用Python的文件操作函数来提取XML的一部分并将其写入另一个文件。您是否可以显示导致这种情况的任何XML？@Pessimoppotamus：根据您的错误消息，错误只发生在文件中52KB处…@NedBatchelder我正在开发一个XML分块器，该分块器可以生成高达52KB的有效XML分块一定的块大小。我将尝试使用它来生成一个失败的XML并上传它。（0）偶尔意味着“使用某些文件”。但是结果是确定的，如果一个文件有效，它将始终有效。如果一个文件失败，它总是失败，并且总是在同一点失败。（1）我这样做了，我没有发现任何明显的错误。（2） 因为太大，所以无法执行此操作。我怀疑是这样，但在发生错误的文件部分附近没有类似的字符。涉及预处理的解决方案不是一个好主意，同样是因为文件有多大。理想情况下，应该有一种方法让XML解析器优雅地记录错误并继续解析，而不是灾难性地崩溃。我现在受够了。我一会儿回来。希望我能验证我的chunker是否正常工作，然后我会上传一些示例。事实上，这些文件被破坏了。我在解析之前做了一些预处理，结果正如预期的那样。这是一个非常老的问题，有一个公认的答案。如果您不确定是否可以在答案中添加任何内容，则应避免为了回答而回答。
try:
    it = ET.iterparse(file(xml))
except:
    print('iterparse error')