如何在Python中访问HTML实体？求技术实现建议

你遇到的核心问题是用错了解析工具：HTMLParser是专门为HTML文档设计的，它完全不理解XML的DOCTYPE实体声明规则，只会把DOCTYPE里的内容当成普通文本片段处理，自然无法识别!ENTITY sub2 SYSTEM "sub2.xml"这个实体定义，更不会帮你加载外部的sub2.xml文件内容。

GDML本质是XML格式，你应该用XML解析库来处理，下面给你两种可行的方案：

方案1：使用Python标准库xml.etree.ElementTree #

标准库的ElementTree默认禁用了外部实体加载（出于安全考虑，防止XXE攻击），但如果你信任要处理的GDML文件，可以自定义解析器来开启外部实体支持：

import xml.etree.ElementTree as ET
from xml.parsers.expat import ParserCreate

def parse_gdml_with_entities(filename):
    # 存储实体信息和外部实体内容
    entities = {}
    external_content = {}
    
    def handle_entity_decl(entity_name, is_parameter_entity, value, base, system_id, public_id):
        if not is_parameter_entity and system_id:
            entities[entity_name] = system_id
    
    def handle_external_entity(context, base, system_id, public_id):
        if system_id in entities.values():
            with open(system_id, 'r', encoding='utf-8') as f:
                content = f.read()
                external_content[system_id] = content
                return content.encode('utf-8')
    
    # 创建允许外部实体的解析器并绑定处理函数
    parser = ParserCreate()
    parser.entity_decl_handler = handle_entity_decl
    parser.external_entity_ref_handler = handle_external_entity
    
    # 解析XML文件
    tree = ET.parse(filename, parser=parser)
    root = tree.getroot()
    
    # 输出实体对应的外部文件内容
    print("实体sub2对应的文件内容：", external_content.get("sub2.xml"))
    return root, external_content

# 使用示例
root, ext_content = parse_gdml_with_entities("entity2.gdml")

方案2：使用第三方库lxml（更简洁） #

lxml对XML实体的处理更友好，默认支持外部实体加载（同样注意安全风险，只处理可信文件）：

from lxml import etree

def parse_gdml_lxml(filename):
    # 创建解析器，开启外部实体解析功能
    parser = etree.XMLParser(resolve_entities=True)
    tree = etree.parse(filename, parser=parser)
    root = tree.getroot()
    
    # 查看完整DOCTYPE声明
    print("DOCTYPE声明：", tree.docinfo.doctype)
    
    # 提取指定实体的关联信息
    if "sub2" in parser.entity_map:
        print(f"实体sub2对应的外部文件：{parser.entity_map['sub2']}")
    
    # 如果GDML中使用了&sub2;引用，lxml会自动替换为sub2.xml的内容
    return root

# 使用示例
root = parse_gdml_lxml("entity2.gdml")

关键注意点 #

• 安全风险：开启外部实体加载可能导致XXE（XML外部实体注入）攻击，务必确保你处理的GDML文件来自可信来源。
• GDML是严格遵循XML规范的格式，必须用XML解析工具处理，HTML解析工具的语法规则和处理逻辑与XML完全不同，无法适配这类场景。

内容的提问来源于stack exchange，提问作者Keith Sloan