如何解决Python SAX解析器处理含XML特殊字符的文档报错问题

问题根源 #

你遇到的报错本质是原始XML不合法：<Text>标签内的<、>属于XML特殊字符，必须转义为<、>才能被标准SAX解析器识别。直接用escape()无效，大概率是因为你在解析完成后才处理字符，或者误转义了XML标签本身的符号，导致解析阶段就因语法错误终止。

可行解决方案 #

1. 逐行预处理大型XML（内存友好） #

因为是大型文件，不能一次性加载到内存，用状态机逐行扫描，仅对<Text>标签内部的内容转义特殊字符：

import xml.sax
from xml.sax.saxutils import escape

def process_large_xml(input_path, output_path):
    in_text_tag = False
    with open(input_path, 'r', encoding='utf-8') as infile, open(output_path, 'w', encoding='utf-8') as outfile:
        for line in infile:
            # 标记是否进入/离开Text标签
            if '<Text>' in line:
                in_text_tag = True
                parts = line.split('<Text>', 1)
                outfile.write(parts[0] + '<Text>')
                escaped_content = escape(parts[1])
                outfile.write(escaped_content)
            elif '</Text>' in line:
                in_text_tag = False
                parts = line.split('</Text>', 1)
                escaped_content = escape(parts[0])
                outfile.write(escaped_content + '</Text>' + parts[1])
            else:
                outfile.write(escape(line) if in_text_tag else line)

# 预处理后再用SAX解析
process_large_xml('large.xml', 'processed_large.xml')

# 常规SAX解析逻辑
class TextHandler(xml.sax.ContentHandler):
    def __init__(self):
        self.in_text = False
        self.text_content = []

    def startElement(self, name, attrs):
        if name == 'Text':
            self.in_text = True

    def characters(self, content):
        if self.in_text:
            self.text_content.append(content)

    def endElement(self, name):
        if name == 'Text':
            print(''.join(self.text_content))
            self.text_content = []
            self.in_text = False

parser = xml.sax.make_parser()
parser.setContentHandler(TextHandler())
parser.parse('processed_large.xml')

2. 使用支持容错解析的库（lxml） #

标准SAX解析器严格遵循XML规范，而lxml库提供了恢复模式，可以忽略未转义字符这类语法错误，直接解析内容：

from lxml.sax import make_parser
from xml.sax.handler import ContentHandler

class TextHandler(ContentHandler):
    def __init__(self):
        self.in_text = False
        self.text_content = []

    def startElement(self, name, attrs):
        if name == 'Text':
            self.in_text = True

    def characters(self, content):
        if self.in_text:
            self.text_content.append(content)

    def endElement(self, name):
        if name == 'Text':
            print(''.join(self.text_content))
            self.text_content = []
            self.in_text = False

# 创建支持恢复模式的解析器
parser = make_parser(recover=True)
parser.setContentHandler(TextHandler())
parser.parse('large.xml')

3. 应急方案：正则提取（仅限无嵌套Text标签场景） #

如果<Text>标签本身没有嵌套其他标签，可以用正则直接提取内容，绕过XML解析器的语法检查：

import re

def extract_text_content(file_path):
    pattern = re.compile(r'<Text>(.*?)</Text>', re.DOTALL)
    with open(file_path, 'r', encoding='utf-8') as f:
        content = f.read()
    matches = pattern.findall(content)
    for match in matches:
        print(match)

extract_text_content('large.xml')

注意：该方法仅适用于<Text>标签无嵌套、结构简单的场景，复杂XML可能出现匹配错误。

内容的提问来源于stack exchange，提问作者Ahmed Basem