Ошибка синтаксического анализатора с использованием модуля Perl XML :: DOM, & # 8220; ссылка на недопустимый номер символа & # 8221;
-
11-07-2019 - |
Вопрос
Я полный новичок в Perl, но я уверен, что изучение Perl будет проще, чем выяснение того, как анализировать XML в awk. Я хотел бы проанализировать файлы .sgm из этого набора данных:
http://kdd.ics.uci.edu/databases/reuters21578/ reuters21578.html р>
Это сборник из 20 000 статей Reuters, опубликованных на ленте новостей десятилетней давности, и стандартный набор тестов для определенных типов обработки текста. Чтобы упростить тестирование на Perl, я взял первые несколько сотен строк из первого файла и создавал test.sgm, пока мой скрипт не сработал корректно. Это начинается так:
<!DOCTYPE lewis SYSTEM "lewis.dtd">
<REUTERS TOPICS="YES" LEWISSPLIT="TRAIN" CGISPLIT="TRAINING-SET" OLDID="5544" NEWID="1">
<DATE>26-FEB-1987 15:01:01.79</DATE>
<TOPICS><D>cocoa</D></TOPICS>
<PLACES><D>el-salvador</D><D>usa</D><D>uruguay</D></PLACES>
<PEOPLE></PEOPLE>
<ORGS></ORGS>
<EXCHANGES></EXCHANGES>
<COMPANIES></COMPANIES>
<UNKNOWN>
C T
f0704reute
u f BC-BAHIA-COCOA-REVIEW 02-26 0105</UNKNOWN>
<TEXT>
<TITLE>BAHIA COCOA REVIEW</TITLE>
<DATELINE> SALVADOR, Feb 26 - </DATELINE><BODY>Showers continued throughout the week in
the Bahia cocoa zone, alleviating the drought since early
January and improving prospects for the coming temporao,...
Я использовал Perl-скрипт из http: // www. xml.com/pub/a/2001/05/16/perlxml.html в качестве примера и в итоге извлекли extract.pl:
use XML::DOM;
my $file = $ARGV[0];
my $parser = XML::DOM::Parser->new();
my $doc = $parser->parsefile($file);
#print $doc->getElementsByTagName('DATE');
print "\n";
и я получаю этот вывод:
> perl extract.pl test.sgm
reference to invalid character number at line 11, column 0, byte 343 at /usr/lib64/perl5/vendor_perl/5.8.5/x86_64-linux-thread-multi/XML/Parser.pm line 187
>
Google не помогает (по-видимому, это страница, на которой возникает та же ошибка, что и я), а мой друг-хакер Perl все еще находится в Blackhat в Вегасе. Есть идеи, что я делаю не так, или как мне почистить файл? Я полагаю, что внутри этого "Неизвестного" происходит зло тег, который мне даже не нужен. Я действительно просто хочу извлечь текст из каждой статьи. Если вам нужна дополнительная информация, пожалуйста, дайте мне знать.
Решение
Ссылка на числовой символ " & amp; # 5; " недопустимо в действительных документах XML. Я отсылаю вас к разделу 4.1 Ссылки на символы и сущности в XML рекомендация:
Символы, на которые ссылаются с использованием символов, ДОЛЖНЫ соответствовать продукции для Char.
Теперь, если мы перейдем по ссылке и посмотрим на производство для Char :
Char :: = # x9 | #xA | #xD | [# x20- # xD7FF] | [# xE000- # xFFFD] | [# X10000- # x10FFFF] р>
мы видим, что есть некоторые символы, которые могут появляться ни в буквальном смысле, ни в виде числовой ссылки на символ в действительном документе XML.
Странность это; Сегодня я кое-что узнал об XML:).
Этот разговор можно найти в управляющих символах ASCII в XML для возможный обходной путь.