如何用Python修复XML格式HTM文件中的HTML实体问题？

针对你提到的XML结构.htm文件中HTML实体错误转换的问题，Python无需专门的"HTML Corrector"类模块，用标准库或常用第三方库就能解决：

1. 用Python标准库html+xml.etree.ElementTree处理 #

核心逻辑是通过XML解析器精准定位文本内容节点，只对文本里的特殊字符做实体编码，避免破坏XML标签本身的实体结构（比如保留<Employee>对应的<Employee>格式）。

示例代码：

import xml.etree.ElementTree as ET
import html

def fix_entity_encoding(xml_content):
    # 解析XML内容
    root = ET.fromstring(xml_content)
    # 遍历所有节点，处理文本和尾部内容
    for elem in root.iter():
        if elem.text and elem.text.strip():
            # 转义文本中的&、>、<为对应实体，不处理双引号
            elem.text = html.escape(elem.text, quote=False)
        if elem.tail and elem.tail.strip():
            elem.tail = html.escape(elem.tail, quote=False)
    # 转回格式化的XML字符串
    return ET.tostring(root, encoding='unicode')

# 测试示例输入
input_content = '''<Employee>
  <name> Adam</name>
  <age> > 24 </age>
  <Nicknames> A & B </Nicknames>
</Employee>'''

fixed_content = fix_entity_encoding(input_content)
print(fixed_content)

运行后会输出你期望的结果：文本里的>转成>，&转成&，XML标签的实体不受影响。

2. 用lxml库处理复杂场景 #

如果你的文件存在轻微XML语法错误（比如示例中</name缺少闭合的>），可以用lxml的容错解析功能，处理逻辑和标准库一致，但兼容性更强：

from lxml import etree
import html

def fix_entity_with_lxml(xml_content):
    # 启用容错解析，修复小的语法错误
    parser = etree.XMLParser(recover=True)
    root = etree.fromstring(xml_content.encode(), parser=parser)
    # 处理文本节点
    for elem in root.iter():
        if elem.text:
            elem.text = html.escape(elem.text, quote=False)
        if elem.tail:
            elem.tail = html.escape(elem.tail, quote=False)
    # 输出带格式的结果
    return etree.tostring(root, encoding='unicode', pretty_print=True)

关键注意事项 #

• 绝对不能直接全局替换字符（比如把所有>换成>），否则会把XML标签里的<（对应原始的<）错误转成<，彻底破坏XML结构。
• html.escape的quote=False参数是避免转义双引号，如果你的文本里需要处理双引号实体，可以改为quote=True。

内容的提问来源于stack exchange，提问作者smilelife