使用lxml验证XML与DTD时实体导入失败

Question

我有一个工具可以生成NewsML类型的XML文件，我想在生成文件后对它们进行验证。

我遇到了一个错误：

尝试加载网络实体 http://www.w3.org/TR/ruby/xhtml-ruby-1.mod

我在Python中调用的代码是：

parser = etree.XMLParser(load_dtd=True, dtd_validation=True)
treeObject = etree.parse(f, parser)

首先，我不确定是否需要同时使用“load_dtd=True, dtd_validation=True”，但我还是用了这两个选项。其次，错误似乎是来自一个叫做nitf-3-4.dtd的文件，它的定义是：

<!ENTITY % xhtml-ruby.mod PUBLIC 
    "-//W3C//ELEMENTS XHTML Ruby 1.0//EN" "http://www.w3.org/TR/ruby/xhtml-ruby-1.mod">
%xhtml-ruby.mod;

lxml会去网上获取这个xhtml-ruby-1.mod文件吗，还是说我必须把所有的DTD文件都放在本地？

Answer 1

试着用 no_network=False 来构建解析器。正如文档中所说：

no_network - 在查找外部文档时防止网络访问（默认是开启的）

导入的 dtd 模块应该可以被 lxml 获取，但如果不允许网络访问，它就无法做到这一点（这不包括文档本身，只是加载外部引用的文档时会受影响。实际上，我预计你在加载 dtd 时会遇到错误，所以我猜测文档是指向本地可用的 dtd 副本，而只有 dtd 本身才引用了远程资源？）

你也可以使用目录来使用本地可用的副本（这不仅能解决这个问题，还能提高性能，对 w3c 服务器也更友好 ;-））。Libxml2（lxml 使用的库）会检查 /etc/xml/catalog 中是否存在目录，以及 XML_CATALOG_FILES 环境变量（见Libxml2 文档）

（你也可以为 lxml 编写自己的解析器来拦截和处理请求，但在这种情况下可能有些过于复杂）

请注意，除了在解析时验证，还有另一个选项：使用DTD 类单独加载 dtd，并将其用作验证器。

这样，无论文档类型声明中引用了哪个 dtd（如果有的话），都可以用提供的 dtd 来验证解析后的文档（这很方便：并不是每个有效的 xml 文件都一定符合你想要的 dtd）。

因为 dtd 只需要获取和解析一次，如果你要验证很多文档，这样会更快），而且（如果我没记错的话），你不会遇到 no_network 的问题。

这种方法的另一个好处是：你甚至可以在序列化之前验证你的元素/元素树（如果你的生成工具使用的是 lxml）。

最后一点：有些文档只能在解析时访问 dtd 才能解析（不可解析的实体...）。如果可以的话，尽量避免这种情况。（而且，虽然并不是每个人都同意：如果可能的话，尽量避免使用文档类型声明）。