修复损坏的 xml 的 Pythonic 方法

Question

我正在使用一个损坏的 XML-RPC 服务器，虽然我已提交支持请求来修复它，但存在一个错误，它将 utf-8 响应的字节长度报告为字符数，导致我收到的 XML 的截断。

我预计这个问题很快就会得到解决，但是我目前正在将其作为一组工具的一部分进行调查，并且确实需要让它发挥作用。目前，我有猴子修补的 xmlrpclib 来反转异常解析，并允许我手动向解析器提供响应的正确版本，但考虑到 XML 的性质，必须有一种方法以编程方式执行此操作，因此允许我使用XML-RPC 服务器就好像它没有这个 bug。

截断量只是结束标签的一部分，所以如果有一种内置方法来获取损坏的 xml 树，在所有标签都关闭的情况下转储它，然后解析它，这将允许我继续与我的工作 - 我目前正在考虑滚动自己的，但任何帮助将不胜感激，我无法想象我是第一个想要对 xml 执行错误更正的人，但如果我不这样做找到一个预先制定的解决方案，我会将我的解决方案推送到 git 并从这里链接它。

Answer 1

这是一个快速片段 - 关键是 sax 解析器在执行时生成事件，因此它们允许您处理内容直到它中断。

#!/usr/bin/env python

import sys
from xml.sax import handler, make_parser

class TagHandler(handler.ContentHandler):
    def __init__(self):
        handler.ContentHandler.__init__(self)

        self.stack = []


    def startElement(self, name, attrs):
        self.stack.append(name)

    def endElement(self, name):
        # TODO: might want to just confirm that the element matches the top of the stack here
        self.stack.pop()


    def finish_document(self):
        return "\n".join(["</%s>" % tag for tag in reversed(self.stack)])


parser = make_parser()
handler = TagHandler()
parser.setContentHandler(handler)

try:
    parser.parse(sys.argv[1])

except:
    # TODO: something more intelligent than just printing out the
    # constructed end of the document. Like appending it to the source
    # and repeating whatever you did to make this processing necessary.
    print handler.finish_document()