ParseError: pas bien formé (invalid token) à l'aide de cElementTree

- Je recevoir des chaînes xml à partir d'une source externe qui contient unsanitized utilisateur contribué au contenu.

Le code xml suivant de la chaîne a donné un ParseError dans cElementTree:

>>> print repr(s)
'<Comment>dddddddd\x08\x08\x08\x08\x08\x08_____</Comment>'
>>> import xml.etree.cElementTree as ET
>>> ET.XML(s)

Traceback (most recent call last):
  File "<pyshell#4>", line 1, in <module>
    ET.XML(s)
  File "<string>", line 106, in XML
ParseError: not well-formed (invalid token): line 1, column 17

Est-il un moyen de faire cElementTree pas se plaindre?

OriginalL'auteur BioGeek | 2012-10-24

  1. 22

    Il semble se plaindre de \x08 vous devrez échapper.

    Edit:

    Ou vous pouvez avoir l'analyseur ignorer les erreurs à l'aide de recover

    from lxml import etree
parser = etree.XMLParser(recover=True)
etree.fromstring(xmlstring, parser=parser)
    Je ne veux pas changer quoi que ce soit sur le contenu du XML, je reçois, j'ai juste besoin de le transformer en un cElementTree Element.
    Vérifier mon montage...
    l'échappement est pas la même que la modification de la tva.
    le recover il n'est plus disponible pour ElementTrees XMLParser, droit? Ou quoi "lxml'? Ce n'est pas vanille python?

    OriginalL'auteur iabdalkader

  2. 21

    J'ai eu le même message d'erreur (avec ElementTree). Dans mon cas, c'était à cause de l'encodage et j'ai été en mesure de le résoudre sans avoir à utiliser une bibliothèque externe. Espérons que cela aide d'autres personnes à trouver cette question en se basant sur le titre. (référence)

    import xml.etree.ElementTree as ET
parser = ET.XMLParser(encoding="utf-8")
tree = ET.fromstring(xmlstring, parser=parser)

    MODIFIER: sur la Base des observations, cette réponse pourrait être dépassée. Mais ce n'travail en arrière quand il a été répondu...

    Je ne crois pas que c'est correct, fromstring ne prend aucun argument en dehors de texte (il n'accepte pas l'analyseur). Peut-être que tu voulais dire XML au lieu de fromstring?
    parse fonction a parser attribut, donc vous pouvez lui donner un nom de fichier comme entrée à la place de la chaîne: e = ElementTree.parse(my_file, parser=ElementTree.XMLParser(encoding='iso-8859-5') )
    Comme l'a mentionné le premier commentaire, fromstring n'accepte pas l'analyseur argument. Cette réponse est fausse dans la syntaxe.

    OriginalL'auteur juan

  3. 7

    Voir cette réponse à une autre question, et la selon la partie du XML spécification.

    L'arrière U+0008 est un caractère non valide dans des documents XML. Il doit être représenté comme évadé entité &#8; et ne peut pas se produire simplement.

    Si vous avez besoin de traiter ce fragment de code XML, vous devez remplacer \x08 dans s avant de l'introduire dans un analyseur XML.

    OriginalL'auteur Boldewyn

  4. 1

    Une solution pour gottcha pour moi, à l'aide de Python ElementTree... c'est la non valide jeton d'erreur:

    # -*- coding: utf-8 -*-
import xml.etree.ElementTree as ET

xml = u"""<?xml version='1.0' encoding='utf8'?>
<osm generator="pycrocosm server" version="0.6"><changeset created_at="2017-09-06T19:26:50.302136+00:00" id="273" max_lat="0.0" max_lon="0.0" min_lat="0.0" min_lon="0.0" open="true" uid="345" user="john"><tag k="test" v="Съешь же ещё этих мягких французских булок да выпей чаю" /><tag k="foo" v="bar" /><discussion><comment data="2015-01-01T18:56:48Z" uid="1841" user="metaodi"><text>Did you verify those street names?</text></comment></discussion></changeset></osm>"""

xmltest = ET.fromstring(xml.encode("utf-8"))

    Cependant, il fonctionne avec l'ajout d'un trait d'union dans le type de codage:

    <?xml version='1.0' encoding='utf-8'?>

    Plus étrange. Quelqu'un trouvé cette note de bas de page dans le python docs:

    L'encodage de la chaîne inclus dans la sortie XML doivent être conformes à la
    les normes appropriées. Par exemple, “UTF-8” est valide, mais “UTF8” est
    pas.

    OriginalL'auteur TimSC

  5. 1

    J'ai été coincé avec un problème similaire. Enfin trouvé le quelle était la cause de racine dans mon cas particulier. Si vous lisez les données à partir de plusieurs fichiers XML qui se trouvent dans le même dossier vous permettra d'analyser aussi .DS_Store fichier.
    Avant l'analyse d'ajouter cette condition

    for file in files:
    if file.endswith('.xml'):
       run_your_code...

    Cette astuce m'a aidé ainsi

    OriginalL'auteur Yura Vasiliuk

  6. 0

    Ce qui m'a aidé avec cette erreur a été de Juan réponse - https://stackoverflow.com/a/20204635/4433222
    Mais n'est-ce pas assez, après avoir lutté, j'ai découvert qu'un fichier XML doit être enregistré en UTF-8 sans BOM encodage.

    La solution n'est pas "normal" UTF-8.

    Et l'argument qu'avez-vous à passer pour qui?
    oh, c'était il y a longtemps. ne me souviens pas en fait, mais probablement je viens d'enregistrer un fichier correctement dans notepad++

    OriginalL'auteur Konrad

  7. 0

    Il s'agit probablement d'une erreur de codage. J'ai eu par exemple un fichier xml encodé en UTF-8 BOM (vérifiée à partir de Notepad++ menu Encodage) et a obtenu message d'erreur similaire.

    La solution de contournement (Python 3.6)

    import io
from xml.etree import ElementTree as ET

with io.open(file, 'r', encoding='utf-8-sig') as f:
    contents = f.read()
    tree = ET.fromstring(contents)

    Vérifier l'encodage de votre fichier xml. Si c'est à l'aide d'un codage différent, changez le 'utf-8-sig" en conséquence.

    OriginalL'auteur np8

  8. 0

    Aucun de ces bugs ont travaillé pour moi. La seule chose qui a fonctionné a été d'utiliser BeautifulSoup au lieu de ElementTree comme suit:

    from bs4 import BeautifulSoup

with open("data/myfile.xml") as fp:
    soup = BeautifulSoup(fp, 'xml')

    Alors vous pouvez chercher dans l'arborescence:

    soup.find_all('mytag')
    Il n'y a pas de " xml analyseur de BeautifulSoup'. Lorsque vous fournissez le xml paramètre BeautifulSoup, il utilise lxml's XML parser sous le capot..
    merci, oui je voulais dire vous avez besoin pour installer lxml avant d'être en mesure d'utiliser BeautifulSoup de cette façon. Au moins dans mon cas, j'ai dû l'installer séparément...

    OriginalL'auteur tsando

  9. 0

    J'ai essayé les autres solutions dans les réponses ici, mais pas eu de chance. Depuis que j'ai seulement nécessaire pour extraire de la valeur à partir d'un seul nœud xml j'ai donné et écrit ma fonction pour le faire:

    def ParseXmlTagContents(source, tag, tagContentsRegex):
    openTagString = "<"+tag+">"
    closeTagString = "</"+tag+">"
    found = re.search(openTagString + tagContentsRegex + closeTagString, source)
    if found:   
        start = found.regs[0][0]
        end = found.regs[0][1]
        return source[start+len(openTagString):end-len(closeTagString)]
    return ""

    Exemple d'utilisation serait:

    <?xml version="1.0" encoding="utf-16"?>
<parentNode>
    <childNode>123</childNode>
</parentNode>

ParseXmlTagContents(xmlString, "childNode", "[0-9]+")

    OriginalL'auteur the_doc