元素树失败，字符串中出现不安全的字符

Question

我正在尝试解析包含正则表达式的xml，如下所示：

<conditions>
  <condition pattern_matches="regex string"/>
</conditions>

但是，当正则表达式包含不安全的字符（例如(<=a).*b$）时，ElementTree 会引发一个 ParseError，指出 xml 在<字符处的格式不正确，即使该字符在引号内也是如此。

我可以使用<而不是<然后一旦解析就替换所有此类字符，但这会使复杂的正则表达式非常难以阅读，并且需要重写包含此类字符组合的正则表达式，以免产生误报，并加载原始 xml 文件，然后交换字符以获得其安全变体，只是为了立即将它们交换回来似乎不必要地占用 cpu 资源。

我应该如何处理这个问题？这对元素树来说太复杂了还是我做错了什么？

Answer 1

XML规范要求必须将<转义到<。每个健全的 XML 处理器都必须遵循规范。请参阅相关讨论： XML 中的无效字符 。

也就是说，如果您使用 XML 处理器（如 ElementTree ）创建 XML，它将为您处理转义和取消转义过程。例如，给定包含 < 的普通正则表达式字符串，ElementTree自动将其替换为 <：

>>> from xml.etree import ElementTree as et
>>> root = et.Element("conditions")
>>> regex_str = "(<=a).*b$"
>>> sub = et.SubElement(root, "condition", attrib = {"pattern_matches": regex_str})
>>> et.tostring(root)
'<conditions><condition pattern_matches="(&lt;=a).*b$" /></conditions>'

。它会在读取属性值时自动将其替换回<：

>>> sub.attrib["pattern_matches"]
'(<=a).*b$'