Python.expat non può analizzare il file XML con i simboli cattivi. Come andare in giro?
-
21-09-2019 - |
Domanda
Sto cercando di analizzare un file XML (dati OSM) con expat, e ci sono linee con alcuni caratteri Unicode che expat non può analizzare:
<tag k="name"
v="абвгдежзиклмнопр�?туфхцчшщьыъ�?ю�?�?БВГДЕЖЗИКЛМ�?ОПРСТУФХЦЧШЩЬЫЪЭЮЯ" />
<tag k="name" v="Cin\x8e? Rex" />
(file di codifica XML nella linea di apertura è "UTF-8")
Il file è abbastanza vecchio, e ci deve essere stato errori. Nei file moderni non vedo UTF-8 errori, ed essi vengono analizzati bene. Ma cosa succede se il mio programma incontra un simbolo rotto, quello che soluzione posso fare? E 'possibile aderire codec bz2 (I analizzare un file compresso) e UTF-8 codec di ignorare i caratteri rotti, o di cambiare "?"?
Soluzione
Non sono sicuro se '' i caratteri sono stati introdotti da stringa copia-incolla qui, ma se li avete nei dati originali, quindi sembra essere generatore problema che ha introdotto \ uFFFD charactes come:
"utilizzato per sostituire un carattere in ingresso il cui valore è sconosciuto o irrappresentabile in Unicode "
citied da: http://www.fileformat.info/info/unicode/char/ FFFD / index.htm
Per risolvere il problema? idea solo per l'estensione:
good = True
buf = None
while True:
if good:
buf = f.read(buf_size)
else:
# try again with cleaned buffer
pass
try:
xp.Parse(buf, len(buf) == 0)
if (len(buf) == 0):
break
good = True
except ExpatError:
if xp.ErrorCode == XML_ERROR_BAD_CHAR_REF:
# look at ErrorByteIndex (or nearby)
# for 0xEF 0xBF 0xBD (UTF8 replacement char) and remove it
good = False
else:
# other errors processing
pass
Or casi buffer di ingresso pulito invece + angolo (sequenza parziale alla fine del buffer). Non riesco a ricordare se expat di Python permette di assegnare gestore di errore personalizzato. Sarebbe più facile allora.
Se pulisco vostro campione dalla '' caratteri è trattato ok. \ Xd1 non fallisce.
i dati OSM?