Python：解析XML文档并保留实体

Question

我想问一下，有哪些现成的Python 2.x库可以用来解析带有内置DTD的XML文档，而且是不自动展开实体的。 (有兴趣的人可以查看这个文件: JMdict.)

看起来lxml有一些选项可以不解析实体，但我上次试的时候，实体最后变成了空白。我刚刚在网上查了一下，发现pxdom是另一个可以尝试的选择，不过因为它是纯Python写的，似乎运行起来比我希望的要慢很多。

还有其他的选择吗？

Answer 1

首先，BeautifulStoneSoup 是来自 BeautifulSoup 的一个工具，它默认情况下不会自动展开实体。

不过，这个工具可能不太适合你的需求，因为它主要是为了处理各种格式不正确和损坏的标记而设计的，所以在速度和效率上可能不太理想。

Answer 2

在这个问题中提到了lxml，根据我的理解，它可以满足你的需求。下面是测试代码：

from lxml import etree

XML = """
<!DOCTYPE root [
<!ENTITY abc "123">
]>
<root>
&abc;
</root>"""

parser = etree.XMLParser(resolve_entities=False)

root = etree.fromstring(XML, parser)
print "Entity not resolved:"
print etree.tostring(root)
print

print "Entity resolved:"
root = etree.fromstring(XML)
print etree.tostring(root)

输出结果：

Entity not resolved:
<root>
&abc;
</root>

Entity resolved:
<root>
123
</root>

Answer 3

看起来这个使用场景有点不寻常；不展开实体似乎和XML规范中解析器的正常工作方式相悖。

所以，我觉得最简单的办法就是将就一下。我通过re.finditer手动提取了标签，并做了一个映射的字典。从这里开始，只需要扫描解析后的输出，然后根据我的应用程序做出正确的处理。我觉得这样对我的使用场景来说已经足够了。