ElementTree's iterparse() Ошибка синтаксического анализа XML

Question

Мне нужно проанализировать 1,2-гигабайтный XML-файл с кодировкой «ISO-8859-1», и после прочтения нескольких статей в NET кажется, что iterparse ElementTree Python() является предпочтительным для анализа SAX.

Я написал очень короткий фрагмент кода, чтобы проверить его, но он вызывает ошибку, которую я не знаю, как решить.

Мой код (Python 2.7):

from xml.etree.ElementTree import iterparse 

for (event, node) in iterparse('dblp.xml', events=['start']): 
    print node.tag 
    node.clear() 

Edit: Ааа, так как файл был действительно большой и лага, я напечатал в XML-строку, и сделал ошибку. Это «& uuml;» без пространства. Прошу прощения за это.

Этот код работает отлично, пока не достигнет строки в файле XML, который выглядит следующим образом:

<Journal>Technical Report 248, ETH Z&uuml;rich, Dept of Computer Science</Journal> 

который я предполагаю, означает Цюрих, но анализатор, кажется, не знают.

Выполнение кода выше дал мне ошибку:

xml.etree.ElementTree.ParseError: undefined entity ü 

есть в любом случае я мог бы решить эту проблему? Я разработал множество решений, но никто, похоже, не справляется с этой проблемой напрямую.

Answer 1

Попробуйте следующее:

from xml.etree.ElementTree import iterparse, XMLParser 
import htmlentitydefs 

class CustomEntity: 
    def __getitem__(self, key): 
     if key == 'umml': 
      key = 'uuml' # Fix invalid entity 
     return unichr(htmlentitydefs.name2codepoint[key]) 

parser = XMLParser() 
parser.parser.UseForeignDTD(True) 
parser.entity = CustomEntity() 

for (event, node) in iterparse('dblp.xml', events=['start'], parser=parser): 
    print node.tag 
    node.clear() 

ИЛИ

from xml.etree.ElementTree import iterparse, XMLParser 
import htmlentitydefs 

parser = XMLParser() 
parser.parser.UseForeignDTD(True) 
parser.entity = {'umml': unichr(htmlentitydefs.name2codepoint['uuml'])} 

for (event, node) in iterparse('dblp.xml', events=['start'], parser=parser): 
    print node.tag 
    node.clear() 

Связанный вопрос: Python ElementTree support for parsing unknown XML entities?