xml - BeautifulSoup 抑制 lxml 解析错误？

Question

我使用 BeautifulSoup 使用 lxml 来解析和导航 XML 文件。

我注意到奇怪的行为。 Beautifulsoup 会抑制 lxml 解析器在读取格式错误的 XML 文件时引发的异常(例如，截断的文档或缺少结束标记)。

示例:

from bs4 import BeautifulSoup
soup = BeautifulSoup("<foo><bar>trololo<", "xml") # this will work

甚至可以调用 find() 并导航这样损坏的 XML 树...

让我们尝试使用纯 lxml 读取完全相同的格式错误文档:

from lxml import etree
root = etree.fromstring("<foo><bar>trololo<") # will throw XMLSyntaxError

这是为什么呢？我知道 BeautifulSoup 本身不做任何解析，它只是 lxml (或其他解析器)的包装库。但我感兴趣的是，如果 XML 格式错误，实际上会出现错误，例如缺少结束标签。我只想要基本的 XML 语法验证(对 XSD 架构验证内容不感兴趣)。

Answer 1

如果您想复制该行为，可以设置recover=True传递解析器:

from lxml import etree

root = etree.fromstring("<foo><bar>trololo<",parser=etree.XMLParser(recover=True)) # will throw XMLSyntaxError

print(etree.tostring(root))

输出:

<foo><bar>trololo</bar></foo>

如果您查看构建器目录中的 bs4 源代码，您将看到 _lxml.py 及其内部:

def default_parser(self, encoding):
    # This can either return a parser object or a class, which
    # will be instantiated with default arguments.
    if self._default_parser is not None:
        return self._default_parser
    return etree.XMLParser(
        target=self, strip_cdata=False, recover=True, encoding=encoding)

lxml 的 HTMLParser 默认设置此值，以便它可以处理损坏的 html，对于xml，您必须指定您想要尝试和恢复。