Python中使用expat解析XML数据

Question

我正在尝试用 Python 的 expat 库解析一个 XML 文件。在我的 XML 文件中，有这样一行：

<Action>&lt;fail/&gt;</Action>

expat 能够识别开始和结束标签，但它把 & lt; 转换成了小于号（<），大于号（>）也是这样，所以解析出来的结果是这样的：

结果：

START 'Action'
DATA '<'
DATA 'fail/'
DATA '>'
END 'Action'

而我想要的结果是：

START 'Action'
DATA '<fail/>'
END 'Action'

我希望能得到我想要的结果，怎么才能让 expat 不出错呢？

Answer 1

SAX和StAX解析器可以随意地把字符串拆分成他们觉得方便的样子（不过StAX有一个叫做COALESCE的模式，可以强制它帮你把这些碎片拼起来）。

这样做的原因是，在某些情况下，软件可以以流的方式处理数据，而不需要担心重新拼接字符串碎片的开销。

通常，我会把文本累积到一个变量里，当我看到下一个开始元素（StartElement）或结束元素（EndElement）事件时，就会使用这些内容。到那时，我也会把累积的文本变量重置为空。

Answer 2

expat并没有搞错，<只是字符<在XML中的编码方式。实际上，如果expat返回的是字面上的<，那就违反了XML的规范，这算是个错误。话虽如此，你当然可以通过使用xml.sax.saxutils.escape来获取转义后的版本：

>>> from xml.sax.saxutils import escape
>>> escape("<fail/>")
'&lt;fail/&gt;'

expat解析器也可以根据自己的需要，将所有字符串数据分成任意大小的块，所以你需要自己把它们拼接起来。