一些孟加拉语字符,例如 'ৎ' 、 '।'当我尝试解析下面的 xml 文件“temp.xml”时显示 ParseError:
<?xml version="1.0" encoding="UTF-8"?>
<doc>
<WORD>
<অ>
<অসুখে>অসুখ</অসুখে>
<অসৎকে>অসৎ</অসৎকে>
</অ>
</WORD>
</doc>
使用 python 解析它:
import xml.etree.ElementTree as ET
trees = ET.parse('temp.xml')
roots = trees.getroot()
给出错误:
File "<string>", line unknown
ParseError: not well-formed (invalid token): line 6, column 11
错误是针对 xml 文件行(针对“ৎ”字符):
<অসৎকে>অসৎ</অসৎকে>
如何解析这些字符?
最佳答案
看起来 XML 解析器尚未更新以反射(reflect) XML 1.0 第五版中有关元素、属性等名称中允许的字符的更改。
问题中的 XML 文档被 ElementTree 和 minidom(使用 Expat 解析器)拒绝,但被 lxml(使用 libxml2)接受。
1998 年原始 XML 1.0 建议中的有效字符规则基于 Unicode 2.0。孟加拉语字符“ৎ”(U+09CE) 是在 Unicode 4.1.0(2005 年发布)中添加的。元素名称中最初不允许使用 Unicode 2.0 中未包含的字符。在 2008 年的第五版 XML 1.0 ( https://www.w3.org/TR/REC-xml/ ) 中,放宽了限制,几乎可以使用任何字符。
有关此内容的更多信息,请参阅 XML 1.0 第四版勘误表中“XML 名称建议(非规范)”部分中的“基本原理”( https://www.w3.org/XML/xml-V10-4e-errata )。
关于python - XML 解析问题,某些孟加拉语字符在 Python ElementTree 中显示 ParseError,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/54447281/