草庐IT

python:转义XML中的非ascii字符

coder 2024-06-26 原文

我使用以下源文件打印了我的测试 XML 文件，但它不能正确处理非 ASCII 字符:

xmltest.py:

import xml.sax.xmlreader
import xml.sax.saxutils

def testJunk(file, e2content):
  attr0 = xml.sax.xmlreader.AttributesImpl({})
  x =  xml.sax.saxutils.XMLGenerator(file)
  x.startDocument()
  x.startElement("document", attr0)

  x.startElement("element1", attr0)
  x.characters("bingo")
  x.endElement("element1")

  x.startElement("element2", attr0)
  x.characters(e2content)
  x.endElement("element2")

  x.endElement("document")
  x.endDocument()

如果我这样做

>>> import xmltest
>>> xmltest.testJunk(open("test.xml","w"), "ascii 001: \001")

然后我得到一个包含字符代码 001 的 xml 文件。我不知道如何逃避这个角色。 Firefox 告诉我它不是格式正确的 XML 并提示那个字符。我该如何解决这个问题？

说明:我正在尝试记录一个我无法控制的函数的输出，该函数输出非 ASCII 字符。

更新: 好的，现在我知道了 characters outside one of the accepted ranges不能以  的形式编码。 (或者更确切地说，它们可以被编码，但这对任何格式不正确的 w/r/t XML 没有帮助。)但是如果我定义了这样做的方法，它们可以被转义。

(供将来引用:W3C 在 XML 标准本身之外有 a useful page，它说“控制代码应该用适当的标记替换”，但实际上并没有建议这样做的任何示例。)

如果我想通过以下方式转义超出可接受范围的字符:

转义前:(代表一个字符，不是8字串)

 abcdefghijkl

转义后:

 abcd<u>0001</u>efgh<u>0002</u>ijkl

我如何在 python 中执行此操作？

def escapeXML(src)
    dest = ??????
    return dest

最佳答案

"\001"又名 "\x01"是一个 ASCII 控制码。然而，它不是允许的 XML 字符之一。唯一ASCII control codes which qualify分别是“\t”、“\n”和“\r”。

例子:

>>> import xml.etree.cElementTree as ET
# Raw newline works
>>> t = ET.fromstring("<e>\n</e>")
>>> t.text
'\n'

# Hex escaping of a newline works
>>> t = ET.fromstring("<e>&#xa;</e>")
>>> t.text
'\n'

# Hex escaping of "\x01" doesn't work; it's not a valid XML character
>>> t = ET.fromstring("<e>&#x1;</e>")
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
  File "<string>", line 106, in XML
cElementTree.ParseError: reference to invalid character number: line 1, column 3

如果您想在 XML 文档中以某种方式包含无效的 XML 字符，则必须通过额外的转义级别将它们从 XML 解析器中隐藏起来。您的文档的读者需要记录、发布和理解该机制。

例如，在 Microsoft Excel 2007+ XLSX 文件中，不是有效 XML 字符的 Unicode 代码点通过将它们表示为 _xhhhh_ 走私通过解析器其中 hhhh是代码点的十六进制表示。在您的示例中，这将是 7 个字节 _x0001_ .请注意，有必要转义任何 _文本中的字符否则会被错误地解释为引入了 _xhhhh_顺序。

这很丑陋、痛苦、低效等，你不妨考虑其他方法。是否需要使用 XML？ CSV 文件(震惊，恐怖!)在您的应用程序中会做得更好吗？

编辑 关于 OP 编码建议的一些注释:

一个。虽然\r是一个有效的 XML 1.0 输入字符，它受制于 mandatory immediate transmogrification , 所以你也应该转义它。

B.该方案假设/希望 <u>hhhh</u>不能与任何其他标记混淆。

C.我收回上面所说的有关 Microsoft 转义方案的内容。它相对美观，无痛且高效。要为文雅的读者完成您的方案图片，您应该显示取消转义讨厌的位并将各个部分粘合在一起所需的代码。请记住，MS 方案需要有人编写一个转义函数和一个非转义函数，而您的方案需要对每种工具(SAX、DOM、ElementTree)进行不同的处理。

D.在细节层面，代码有点古怪:

if (len(g1) > 0):应该是 if g1:

if (not foo == None):与普遍接受的成语有三处偏差:(1) 括号 (2) not x == y而不是 x != y (3) != None而不是 is not None

不要使用 list (以及其他内置对象的名称)作为您自己的变量的名称。

编辑 2 您想要使用正则表达式拆分字符串。为什么不使用 re.split ？

splitInvalidXML2 = re.compile(
    ur'([^\x09\x0A\x0D\x20-\x7E\x85\xA0-\xFF\u0100-\uD7FF\uE000-\uFDCF\uFDE0-\uFFFD])'
    ).split

def submitCharacters2(x, string):
    badchar = True
    for fragment in splitInvalidXML2(string):
        badchar = not badchar
        if badchar:
            x.startElement("u", attr0)
            x.characters('%04X' % ord(fragment))
            x.endElement("u")
        elif fragment:
            x.characters(fragment)

关于python:转义XML中的非ascii字符，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/4513672/

pythonasciicodegt34xml

有关python:转义XML中的非ascii字符的更多相关文章

  1. ruby - 如何从 ruby​​ 中的字符串运行任意对象方法？ - 2

    总的来说，我对ruby​​还比较陌生，我正在为我正在创建的对象编写一些rspec测试用例。许多测试用例都非常基础，我只是想确保正确填充和返回值。我想知道是否有办法使用循环结构来执行此操作。不必为我要测试的每个方法都设置一个assertEquals。例如:describeitem,"TestingtheItem"doit"willhaveanullvaluetostart"doitem=Item.new#HereIcoulddotheitem.name.shouldbe_nil#thenIcoulddoitem.category.shouldbe_nilendend但我想要一些方法来使用

  2. Ruby 解析字符串 - 2

    我有一个字符串input="maybe(thisis|thatwas)some((nice|ugly)(day|night)|(strange(weather|time)))"Ruby中解析该字符串的最佳方法是什么？我的意思是脚本应该能够像这样构建句子:maybethisissomeuglynightmaybethatwassomenicenightmaybethiswassomestrangetime等等，你明白了......我应该一个字符一个字符地读取字符串并构建一个带有堆栈的状态机来存储括号值以供以后计算，还是有更好的方法？也许为此目的准备了一个开箱即用的库？

  3. ruby - 其他文件中的 Rake 任务 - 2

    我试图在一个项目中使用rake，如果我把所有东西都放到Rakefile中，它会很大并且很难读取/找到东西，所以我试着将每个命名空间放在lib/rake中它自己的文件中，我添加了这个到我的rake文件的顶部:Dir['#{File.dirname(__FILE__)}/lib/rake/*.rake'].map{|f|requiref}它加载文件没问题，但没有任务。我现在只有一个.rake文件作为测试，名为“servers.rake”，它看起来像这样:namespace:serverdotask:testdoputs"test"endend所以当我运行rakeserver:testid时

  4. ruby-on-rails - 在 Rails 中将文件大小字符串转换为等效千字节 - 2

    我的目标是转换表单输入，例如“100兆字节”或“1GB”，并将其转换为我可以存储在数据库中的文件大小(以千字节为单位)。目前，我有这个:defquota_convert@regex=/([0-9]+)(.*)s/@sizes=%w{kilobytemegabytegigabyte}m=self.quota.match(@regex)if@sizes.include?m[2]eval("self.quota=#{m[1]}.#{m[2]}")endend这有效，但前提是输入是倍数(“gigabytes”，而不是“gigabyte”)并且由于使用了eval看起来疯狂不安全。所以，功能正常，

  5. ruby-on-rails - Ruby net/ldap 模块中的内存泄漏 - 2

    作为我的Rails应用程序的一部分，我编写了一个小导入程序，它从我们的LDAP系统中吸取数据并将其塞入一个用户表中。不幸的是，与LDAP相关的代码在遍历我们的32K用户时泄漏了大量内存，我一直无法弄清楚如何解决这个问题。这个问题似乎在某种程度上与LDAP库有关，因为当我删除对LDAP内容的调用时，内存使用情况会很好地稳定下来。此外，不断增加的对象是Net::BER::BerIdentifiedString和Net::BER::BerIdentifiedArray，它们都是LDAP库的一部分。当我运行导入时，内存使用量最终达到超过1GB的峰值。如果问题存在，我需要找到一些方法来更正我的代

  6. ruby-on-rails - unicode 字符串的长度 - 2

    在我的Rails(2.3，Ruby1.8.7)应用程序中，我需要将字符串截断到一定长度。该字符串是unicode，在控制台中运行测试时，例如'א'.length，我意识到返回了双倍长度。我想要一个与编码无关的长度，以便对unicode字符串或latin1编码字符串进行相同的截断。我已经了解了Ruby的大部分unicode资料，但仍然有些一头雾水。应该如何解决这个问题？ 最佳答案 Rails有一个返回多字节字符的mb_chars方法。试试unicode_string.mb_chars.slice(0,50)

  7. python - 如何使用 Ruby 或 Python 创建一系列高音调和低音调的蜂鸣声？ - 2

    关闭。这个问题是opinion-based.它目前不接受答案。想要改进这个问题？更新问题，以便editingthispost可以用事实和引用来回答它.关闭4年前。Improvethisquestion我想在固定时间创建一系列低音和高音调的哔哔声。例如:在150毫秒时发出高音调的蜂鸣声在151毫秒时发出低音调的蜂鸣声200毫秒时发出低音调的蜂鸣声250毫秒的高音调蜂鸣声有没有办法在Ruby或Python中做到这一点？我真的不在乎输出编码是什么(.wav、.mp3、.ogg等等)，但我确实想创建一个输出文件。

  8. ruby-on-rails - Rails 3 中的多个路由文件 - 2

    Rails2.3可以选择随时使用RouteSet#add_configuration_file添加更多路由。是否可以在Rails3项目中做同样的事情？ 最佳答案 在config/application.rb中:config.paths.config.routes在Rails3.2(也可能是Rails3.1)中，使用:config.paths["config/routes"] 关于ruby-on-rails-Rails3中的多个路由文件，我们在StackOverflow上找到一个类似的问题

  9. ruby - 将差异补丁应用于字符串/文件 - 2

    对于具有离线功能的智能手机应用程序，我正在为Xml文件创建单向文本同步。我希望我的服务器将增量/差异(例如GNU差异补丁)发送到目标设备。这是计划:Time=0Server:hasversion_1ofXmlfile(~800kiB)Client:hasversion_1ofXmlfile(~800kiB)Time=1Server:hasversion_1andversion_2ofXmlfile(each~800kiB)computesdeltaoftheseversions(=patch)(~10kiB)sendspatchtoClient(~10kiBtransferred)Cl

  10. ruby-on-rails - Rails 常用字符串(用于通知和错误信息等) - 2

    大约一年前，我决定确保每个包含非唯一文本的Flash通知都将从模块中的方法中获取文本。我这样做的最初原因是为了避免一遍又一遍地输入相同的字符串。如果我想更改措辞，我可以在一个地方轻松完成，而且一遍又一遍地重复同一件事而出现拼写错误的可能性也会降低。我最终得到的是这样的:moduleMessagesdefformat_error_messages(errors)errors.map{|attribute,message|"Error:#{attribute.to_s.titleize}#{message}."}enddeferror_message_could_not_find(obje

随机推荐