使用lxml(python)的xml验证(DTD)

Question

这里简要说明了基于XML的验证。我正在尝试解析一个引用嵌套DTD的XML文件:XML文件引用一个引用其他DTD的DTD。

我得到的错误是配置上的命名空间前缀SomeNameSpace未定义。我所要做的就是使用etree解析xml。parse是一个基于lxml的API。我的问题是

1. 我可以只是关闭验证(我假设xml是正确的)?
2. 我如何准确地为lxml提供所有嵌套的dtd，这样它就不会抱怨任何标记?

我看到过类似的问题，但是没有答案

Answer 1

一段时间后，我试图做类似的事情，未能找到解决方案。我最后编写了下面的脚本，它打开XML文件并使用正则表达式查找DTD。它还具有在命令行上采用DTD路径的重写，这是我的需求。

如果lxml处理嵌套dtd，那么下面的代码应该可以为您工作。

老实说，我觉得自己阅读文件有点麻烦，但这是我找到的唯一方法。

import re
import sys
import os.path
import codecs
from lxml import etree
def main(args):
    if len(args)<1:
        print("Not enough arguments given.  Expected:")
        print("tvalidatexml <xml file name> [<dtd file name>]n")
        exit(1)
    dtdRe = re.compile('.*<!DOCTYPE .* ["'](.*.dtd)["']>.*')
    theDtd = None
    inFile = args[0]
    fdir = os.path.abspath(os.path.dirname(inFile))
    if len(args)==2:
        theDtd = os.path.abspath(args[1])
    else:
        with codecs.open(args[0], 'r', 'utf-8') as inf:
            for ln in inf:
                mtch = dtdRe.match(ln)
                if mtch:
                    if os.path.isabs(mtch.group(1)):
                        theDtd = mtch.group(1)
                    else:
                        theDtd = os.path.abspath(fdir + '/' + mtch.group(1))
                    break
    if theDtd is None:
        print("No DTD specified!")
        exit(2)
    if not os.path.exists(theDtd):
        print("The DTD ({}) does not exist!".format(theDtd))
        exit(3)
    print('Using DTD:', theDtd)
    parser = etree.XMLParser(dtd_validation=True)
    dtd = etree.DTD(open(theDtd))
    tree = etree.parse(args[0])
    valid = dtd.validate(tree)
    if (valid):
        print("XML was valid!")
    else:
        print("XML was not valid:")
        print(dtd.error_log.filter_from_errors())

if __name__ == '__main__':
    main(sys.argv[1:])

Answer 2

你可以尝试用Beautiful Soup解析吗?错误还存在吗?