在解析前清理Python中的XML文件
我正在使用minidom来解析一个xml文件，但它报错说数据格式不正确。我发现有些页面里有像ไà¸à¹€à¸Ÿà¸¥ &这样的字符，导致解析器出错。有没有简单的方法可以在开始解析之前清理一下这个文件？现在我正在用正则表达式去掉所有不是字母数字的字符和</>这些字符，但效果不是很好。
5 个回答
0
看起来你在处理的数据是用某种编码保存的，感觉上像是ASCII编码。正常情况下，XML文件应该是UTF8格式，而SAX（minidom使用的底层解析器）应该能处理这种格式，所以在这个处理过程中可能有些地方出了问题。与其专注于“清理”数据，我建议你先确认一下编码是否正确，并且是否被正确识别。可能是XML指令有问题？你能不能把你的问题编辑一下，显示文件的前几行，特别是开头的<?xml ...指令？
3
试试这个
xmltext = re.sub(u"[^\x20-\x7f]+",u"",xmltext)
这样做会去掉除了0x20到0x7F范围内的所有东西。
如果你想保留一些控制字符，比如制表符和换行符，可以从\x01开始。
xmltext = re.sub(u"[^\x01-\x7f]+",u"",xmltext)