Символ «ACK» в XML приводит к тому, что последующие поля не извлекаются (Python)

Я использую lxml для анализа XML-файла в python. В одном из файлов есть поле, содержащее символ «ACK». Все последующие поля не могут быть извлечены. Как я могу пропустить это поле, если оно содержит нестандартные символы, такие как «ACK», и продолжить извлечение остальных полей?

<layer1>
    <layer2>
        <layer3>
            <content><![CDATA[free-string ^F]]></content>
            <field1>10</field1>
            <field2>hello</field2>
        </layer3>
    </layer2>
</layer1>

Что у меня есть (ETA, чтобы показать больше кода):

import lxml.etree as ET
try:
    try:
        coding = 'utf-8'
        parsing = ET.XMLParser(encoding=coding, recover=True)
        tree = ET.parser(file, parser=parser)
    except:
        try:
            coding = 'cp874'
            parsing = ET.XMLParser(encoding=coding, recover=True)
            tree = ET.parser(file, parser=parser)
        except:
            try:
                coding = 'cp1252'
                parsing = ET.XMLParser(encoding=coding, recover=True)
                tree = ET.parser(file, parser=parser)
            except:
                coding = 'iso-8859-1'
                parsing = ET.XMLParser(encoding=coding, recover=True)
                tree = ET.parser(file, parser=parser)

    node = tree.find('.//layer1/layer2/layer3/content')
    if node is not None and node.text is not None:
        content = node.text
    field1_node = tree.find('.//layer1/layer2/layer3/field1')
    field1 = field1_node.text
    field2_node = tree.find('.//layer1/layer2/layer3/field2')
    field2 = field2_node.text
except:
    print "Cannot parse file"

Когда извлечение для content не удалось, извлечение для field1 и field2 также не удалось (хотя все поля до content могут быть успешно извлечены.

Как мне обращаться с таким content?

Символ Юникода U+0006 (ПОДТВЕРЖДЕНИЕ) не допускается в документах XML 1.0. Как вам удается разбирать файл? Вы используете опцию recover lxml? Пожалуйста, покажите ваш полный код.

mzjn 28.01.2019 09:18

Я добавил в свой пост часть, где я пробовал разные кодировки и вариант recover.

Rayne 30.01.2019 08:59
ET.parser должен быть ET.parse, верно? Пожалуйста, убедитесь, что код в вопросе работает. В любом случае, я думаю, что проблема должна быть решена путем удаления/замены оскорбительного символа перед попыткой синтаксического анализа. Ваши входные данные имеют неправильный формат, и совместимый синтаксический анализатор XML правильно отклоняет их. Пробовать разные кодировки не помогает. Опция recover=True иногда может помочь, когда вход неисправен, но не все исправит.
mzjn 30.01.2019 09:30
Почему в Python есть оператор "pass"?
Почему в Python есть оператор "pass"?
Оператор pass в Python - это простая концепция, которую могут быстро освоить даже новички без опыта программирования.
Некоторые методы, о которых вы не знали, что они существуют в Python
Некоторые методы, о которых вы не знали, что они существуют в Python
Python - самый известный и самый простой в изучении язык в наши дни. Имея широкий спектр применения в области машинного обучения, Data Science,...
Основы Python Часть I
Основы Python Часть I
Вы когда-нибудь задумывались, почему в программах на Python вы видите приведенный ниже код?
LeetCode - 1579. Удаление максимального числа ребер для сохранения полной проходимости графа
LeetCode - 1579. Удаление максимального числа ребер для сохранения полной проходимости графа
Алиса и Боб имеют неориентированный граф из n узлов и трех типов ребер:
Оптимизация кода с помощью тернарного оператора Python
Оптимизация кода с помощью тернарного оператора Python
И последнее, что мы хотели бы показать вам, прежде чем двигаться дальше, это
Советы по эффективной веб-разработке с помощью Python
Советы по эффективной веб-разработке с помощью Python
Как веб-разработчик, Python может стать мощным инструментом для создания эффективных и масштабируемых веб-приложений.
0
3
217
0

Другие вопросы по теме