我使用以下源文件打印了我的测试 XML 文件,但它不能正确处理非 ASCII 字符:
xmltest.py:
import xml.sax.xmlreader
import xml.sax.saxutils
def testJunk(file, e2content):
attr0 = xml.sax.xmlreader.AttributesImpl({})
x = xml.sax.saxutils.XMLGenerator(file)
x.startDocument()
x.startElement("document", attr0)
x.startElement("element1", attr0)
x.characters("bingo")
x.endElement("element1")
x.startElement("element2", attr0)
x.characters(e2content)
x.endElement("element2")
x.endElement("document")
x.endDocument()
如果我这样做
>>> import xmltest
>>> xmltest.testJunk(open("test.xml","w"), "ascii 001: \001")
然后我得到一个包含字符代码 001 的 xml 文件。我不知道如何逃避这个角色。 Firefox 告诉我它不是格式正确的 XML 并提示那个字符。我该如何解决这个问题?
说明:我正在尝试记录一个我无法控制的函数的输出,该函数输出非 ASCII 字符。
更新: 好的,现在我知道了 characters outside one of the accepted ranges不能以 的形式编码。 (或者更确切地说,它们可以被编码,但这对任何格式不正确的 w/r/t XML 没有帮助。)但是如果我定义了这样做的方法,它们可以被转义。
(供将来引用:W3C 在 XML 标准本身之外有 a useful page,它说“控制代码应该用适当的标记替换”,但实际上并没有建议这样做的任何示例。)
如果我想通过以下方式转义超出可接受范围的字符:
转义前:(代表一个字符,不是8字串)
abcdefghijkl
转义后:
abcd<u>0001</u>efgh<u>0002</u>ijkl
我如何在 python 中执行此操作?
def escapeXML(src)
dest = ??????
return dest
最佳答案
"\001"
又名 "\x01"是一个 ASCII 控制码。然而,它不是允许的 XML 字符之一。唯一ASCII control codes which qualify分别是“\t”、“\n”和“\r”。
例子:
>>> import xml.etree.cElementTree as ET
# Raw newline works
>>> t = ET.fromstring("<e>\n</e>")
>>> t.text
'\n'
# Hex escaping of a newline works
>>> t = ET.fromstring("<e>
</e>")
>>> t.text
'\n'
# Hex escaping of "\x01" doesn't work; it's not a valid XML character
>>> t = ET.fromstring("<e></e>")
Traceback (most recent call last):
File "<stdin>", line 1, in <module>
File "<string>", line 106, in XML
cElementTree.ParseError: reference to invalid character number: line 1, column 3
如果您想在 XML 文档中以某种方式包含无效的 XML 字符,则必须通过额外的转义级别将它们从 XML 解析器中隐藏起来。您的文档的读者需要记录、发布和理解该机制。
例如,在 Microsoft Excel 2007+ XLSX 文件中,不是有效 XML 字符的 Unicode 代码点通过将它们表示为 _xhhhh_
走私通过解析器其中 hhhh
是代码点的十六进制表示。在您的示例中,这将是 7 个字节 _x0001_
.请注意,有必要转义任何 _
文本中的字符否则会被错误地解释为引入了 _xhhhh_
顺序。
这很丑陋、痛苦、低效等,你不妨考虑其他方法。是否需要使用 XML? CSV 文件(震惊,恐怖!)在您的应用程序中会做得更好吗?
编辑 关于 OP 编码建议的一些注释:
一个。虽然\r
是一个有效的 XML 1.0 输入字符,它受制于 mandatory immediate transmogrification , 所以你也应该转义它。
B.该方案假设/希望 <u>hhhh</u>
不能与任何其他标记混淆。
C.我收回上面所说的有关 Microsoft 转义方案的内容。它相对美观,无痛且高效。要为文雅的读者完成您的方案图片,您应该显示取消转义讨厌的位并将各个部分粘合在一起所需的代码。请记住,MS 方案需要有人编写一个转义函数和一个非转义函数,而您的方案需要对每种工具(SAX、DOM、ElementTree)进行不同的处理。
D.在细节层面,代码有点古怪:
if (len(g1) > 0):
应该是 if g1:
if (not foo == None):
与普遍接受的成语有三处偏差:(1) 括号 (2) not x == y
而不是 x != y
(3) != None
而不是 is not None
不要使用 list
(以及其他内置对象的名称)作为您自己的变量的名称。
编辑 2 您想要使用正则表达式拆分字符串。为什么不使用 re.split ?
splitInvalidXML2 = re.compile(
ur'([^\x09\x0A\x0D\x20-\x7E\x85\xA0-\xFF\u0100-\uD7FF\uE000-\uFDCF\uFDE0-\uFFFD])'
).split
def submitCharacters2(x, string):
badchar = True
for fragment in splitInvalidXML2(string):
badchar = not badchar
if badchar:
x.startElement("u", attr0)
x.characters('%04X' % ord(fragment))
x.endElement("u")
elif fragment:
x.characters(fragment)
关于python:转义XML中的非ascii字符,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/4513672/