如何在lxml中处理XML文档中的 类似实体？
考虑以下内容：
from lxml import etree
from StringIO import StringIO
x = """<?xml version="1.0" encoding="utf-8"?>\n<aa> â</aa>"""
p = etree.XMLParser(remove_blank_text=True, resolve_entities=False)
r = etree.parse(StringIO(x), p)
这段代码会出现错误，错误信息是：
lxml.etree.XMLSyntaxError: Entity 'nbsp' not defined, line 2, column 11
出现这个错误是因为 resolve_entities=False 并不是忽略这些实体，它只是没有处理它们。
如果我使用 etree.HTMLParser，它会自动创建 html 和 body 标签，还会进行很多其他特殊处理，以适应 HTML。
那么，使用 lxml 的话，怎样才能在 aa 标签下获取一个 â 的文本子节点呢？
3 个回答
-1
当我尝试做类似的事情时，我只是用了 x.replace('&', '&') 在解析字符串之前。
7
@Alex说得对：你的文档不是格式正确的XML，所以XML解析器无法解析它。一个解决办法是先处理一下文档的文本，把那些不合法的实体替换成它们对应的utf-8字符：
entities = [
(' ', u'\u00a0'),
('â', u'\u00e2'),
...
]
for before, after in entities:
x = x.replace(before, after.encode('utf8'))
当然，如果你的“xml”格式非常奇怪，这个方法也可能会失效。
最好的办法还是修正你的输入XML文档，使其成为格式正确的XML。
13
你不能忽视实体，因为它们是XML定义的一部分。如果你的文档没有DTD（文档类型定义）或者没有设置standalone="yes"，或者包含了没有在DTD中定义的实体，那么你的文档就不符合规范。你不能假装你的文档是HTML。
https://mailman-mail5.webfaction.com/pipermail/lxml/2008-February/003398.html
你可以试着假装一下，把一个XHTML的DTD放到你的文档里。例如：
from lxml import etree
try:
from StringIO import StringIO
except ImportError:
from io import StringIO
x = """<?xml version="1.0" encoding="utf-8"?>\n<!DOCTYPE html PUBLIC "-//W3C//DTD HTML 4.01 Transitional//EN" "http://www.w3.org/TR/xhtml1/DTD/xhtml1-transitional.dtd" >\n<aa> â</aa>"""
p = etree.XMLParser(remove_blank_text=True, resolve_entities=False)
r = etree.parse(StringIO(x), p)
etree.tostring(r) # '<aa> â</aa>'