Python XML 解析：字符串中的“<”被阻塞

我有一个使用 ET.XMLParser 来解析 CppCheck XML 报告文件的 Python 模块。当尝试解析字符串中包含“<”的 XML 元素中的属性之一时，它会令人窒息，它会将其解释为格式错误的 XML，例如：

<error msg="Include file <iostream> not found.">

（注意字符和“iostream”之间的空格必须放置，否则它不会在这个论坛中正确发布）

当我这样做时，它很令人窒息：

ET.parse(xml_filename)

显然我无法转义文件中的所有“<”和“>”。有什么建议么？

遇到的问题是 CppCheck 生成的 XML 报告没有正确转义 <iostream> 中的 < 字符。解决此问题的最佳方法是在源头修复 CppCheck 报告，确保它生成格式良好的 XML。

但是，如果无法修改 CppCheck 的输出，则可以使用以下几种方法在 Python 中解决此问题：

1. 使用正则表达式预处理 XML：

在解析 XML 之前，可以使用正则表达式替换 < 字符（不在标签内）。

import re
import xml.etree.ElementTree as ET

def fix_xml(xml_string):
  """修复 XML 字符串中的无效 '<' 字符。"""
  return re.sub(r'&(?!(lt;|gt;|amp;|apos;|quot;))', '&amp;', xml_string)

# 读取 XML 文件
with open(xml_filename, 'r') as f:
  xml_string = f.read()

# 使用正则表达式修复 XML
fixed_xml_string = fix_xml(xml_string)

# 解析修复后的 XML
root = ET.fromstring(fixed_xml_string)

# 现在可以正常解析 XML 了
# ...

这个方法利用了“negative lookahead assertion” ( (?!...) ) 来确保只替换不在已知实体 ( < , > , & , ' , " ) 中的 & 字符。

2. 使用 SAX 解析器：

SAX（Simple API for XML）解析器逐行读取 XML，并为遇到的每个元素触发事件。可以使用 SAX 解析器拦截字符数据事件，并在解析 XML 之前手动替换无效字符。

from xml.sax import make_parser, handler

class ContentHandler(handler.ContentHandler):
  def __init__(self):
    self.data = ''

  def characters(self, content):
    self.data += content.replace('&lt;', '<').replace('&gt;', '>')

# 创建 SAX 解析器
parser = make_parser()

# 设置 ContentHandler
handler = ContentHandler()
parser.setContentHandler(handler)

# 解析 XML 文件
with open(xml_filename, 'r') as f:
  parser.parse(f)

# 获取解析后的数据
data = handler.data

# 使用 ElementTree 或其他 XML 解析库解析数据
# ...

这种方法需要编写更多代码，但它可以更好地控制 XML 解析过程，并且可能比使用正则表达式更有效。

无论选择哪种方法，修复 CppCheck 报告以生成格式良好的 XML 都是最佳的长期解决方案。