Python 解析时转义错误的XML

我正在尝试解析一个XML站点地图中的URL，但它不是我的。不幸的是，一些XML编写得很糟糕，并且包含未转义/无效字符，如符号

这是我当前用来解析XML文件的代码块：

from xml.etree import ElementTree as ET

tree = ET.parse('test.xml')
root = tree.getroot()

name_space = '{http://www.sitemaps.org/schemas/sitemap/0.9}'

urls = []
for child in root.iter():
    for block in child.findall('{}url'.format(name_space)):
        for url in block.findall('{}loc'.format(name_space)):
            urls.append('{}\n'.format(url.text))

with open('sample_urls.txt', 'w+') as f:
    f.writelines(urls)

当它遇到一个未替换的URL:ParseError:not-well format（无效令牌）时，我遇到了这个错误

如何避免这些问题并继续解析文件？我遇到了xml.sax.saxutils模块的escape（）函数，但根据我目前拥有的功能，不确定应用它的最佳方法。

如果可以，请尝试使用。但是你应该小心；它会忽略名称空间，因此您需要确保选择的是您想要选择的内容

例如

sitemap\u products\u 1.xml（链接到的网址的缩写版本。请注意，第二个

url

的

loc

值不正确。）

https://www.samsclub.com/sams/mirror-convex/prod13760282.ip
查看所有160度凸面安全镜-24英寸宽x 15英寸高
https://scene7.samsclub.com/is/image/samsclub/0003308171524_A
https://www.samsclub.com/sams/at&t-3-handset-Wireless-phone/prod21064454.ip
美国电话电报公司；T3手持无绳电话
https://scene7.samsclub.com/is/image/samsclub/0065053003067_A
https://www.samsclub.com/sams/premium-free-flow-waterbed-mattress-kit-queen/104864.ip
高级自由流动水床床垫套件-双人床
https://scene7.samsclub.com/is/image/samsclub/0040649555859_A

Python3.x

从lxml导入html
tree=html.parse（“sitemap\u products\u 1.xml”）
对于tree.findall（“.//url/loc”）中的元素：
打印（元素文本）

输出（请注意，第二个url是完整打印的。）

https://www.samsclub.com/sams/mirror-convex/prod13760282.ip
https://www.samsclub.com/sams/at&t-3-handset-Wireless-phone/prod21064454.ip
https://www.samsclub.com/sams/premium-free-flow-waterbed-mattress-kit-queen/104864.ip

鉴于您发布的示例，我想说，对于

&

字符，使用正则表达式就足够了。除非您完全希望删除此类

元素。下面的“算法”应该可以帮助您恢复这些错误

由于

&t-

内部的

../at&t-3-handset-Wireless…

非常清晰 不是有效的符号和字符代码，您可以捕获所有内容 在

和
和第一个
之间
的值或
结束标记的开头（
我找到了一个解决方法，通过切换到lxml工具包下的etree并添加'parser=ET.XMLParser（recover=True）'和'tree=ET.parse（'test.xml'，parser=parser），可以忽略这些问题“。这似乎会删除URL中有问题的部分并继续。虽然不如转义好，但在紧急情况下可以工作。您不能预处理XML并删除所有无效字符吗？当然，您不能避免例如元素未关闭，但这应该是一个开始。如果您可以使用e您遇到的错误。我遇到的问题是如何在不破坏XML有效部分的情况下进行预处理。我只需要转义url节点中的内容。下面是一个XML站点地图被破坏的示例：有趣的是，这对于我来说肯定行得通。