Python解析XML时如何忽略原有DTD并使用本地DTD文件？

重新学习Python，编写代码解析Evernote的ENEX格式XML文件时遇到如下错误：

lxml.etree.XMLSyntaxError: Entity 'nbsp' not defined, line 68908, column 61176

对应的解析代码为：

mytree = ET.parse(PATH TO THE ENEX FILE)

已将官方DTD文件复制到本地，并添加了将nbsp转为空格的实体，但不想修改每个待解析的ENEX文件，询问是否可以忽略ENEX文件中指定的DTD，转而使用本地提供的DTD文件。

可以通过lxml的解析器配置实现忽略远程DTD并使用本地DTD，以下是具体实现方式：

• 方法一：通过自定义解析器加载本地DTD
  创建禁用外部资源加载的解析器，同时加载本地DTD进行验证，无需修改原文件：

  from lxml import etree
  
  # 配置解析器：禁止网络请求，允许加载本地DTD并解析实体
  parser = etree.XMLParser(
      no_network=True,
      load_dtd=True,
      resolve_entities=True
  )
  
  # 加载本地DTD文件
  local_dtd = etree.DTD("./evernote-export3.dtd")
  
  # 使用解析器解析ENEX文件
  tree = etree.parse("your_target.enex", parser=parser)
  
  # 可选：验证文档是否符合本地DTD规范
  is_valid = local_dtd.validate(tree)
  

• 方法二：内存中替换DTD引用后解析
  在读取文件内容时，将原文件中的远程DTD引用替换为本地路径，全程在内存中操作，不修改原文件：

  from lxml import etree
  
  parser = etree.XMLParser(resolve_entities=True)
  local_dtd_path = "./evernote-export3.dtd"
  
  # 读取文件并替换DTD引用
  with open("your_target.enex", "r", encoding="utf-8") as f:
      content = f.read().replace(
          'DOCTYPE en-export PUBLIC "-//Evernote//DTD Export//EN//3.0" "http://xml.evernote.com/pub/evernote-export3.dtd"',
          f'DOCTYPE en-export SYSTEM "{local_dtd_path}"'
      )
  
  # 解析修改后的内容
  tree = etree.fromstring(content.encode("utf-8"), parser=parser)
  

• 关键注意点

  • 确保本地DTD文件中已正确添加nbsp实体定义，例如：<!ENTITY nbsp "&#160;">
  • no_network=True参数会阻止解析器尝试加载远程DTD，避免网络依赖和原DTD的缺失问题
  • 两种方法均无需修改原始ENEX文件，不会影响源数据

内容的提问来源于stack exchange，提问作者Mark S.