包含®实体的XML数据无法读取解析、无法转JSON如何处理？

问题原因 #

XML 规范默认仅支持 5 种预定义实体：<、>、&、"、'，®属于HTML扩展实体，未在XML中声明时解析器会报实体未定义错误，导致XML无法正常加载。

可落地解决方法 #

• 方案一：给XML解析器补充实体声明
  无需修改原始XML内容，在初始化解析器时添加缺失的实体映射即可，以下为Python lxml库的示例代码：

from lxml import etree

# 初始化XML解析器，补充reg实体的映射规则
parser = etree.XMLParser()
parser.entitydefs['reg'] = '®'

# 加载XML内容
raw_xml = """<?xml version="1.0" encoding="UTF-8" standalone="yes"?>
<ns3:Envelope xmlns="http://www.testesb.com/schemas/esb/common/Envelope" xmlns:ns2="http://www.test.com" xmlns:ns3="com.bbby.schemas.esb.common.envelope">
                        <ns2:MasterShortDescription>The Air Fryer lets you to enjoy your favorite fried snacks and food without the added calories. Cooks food by circulating hot air in all directions and includes 8 presets pre-heat, fries, pork, shrimp, cake chicken, steak and fish</ns2:MasterShortDescription>
                        <ns2:MasterProductDescription>3.7 qt. &reg; Digital Air Fryer with 8 Presets in Plum</ns2:MasterProductDescription>
                        <ns2:WebProductDescription>3.7 qt. Digital Air Fryer with 8 Presets in Plum</ns2:WebProductDescription>
</ns3:Envelope>"""
root = etree.fromstring(raw_xml.encode('utf-8'), parser=parser)

# 后续可正常读取节点内容，再按规则转换为JSON即可

• 方案二：预处理XML内容转义特殊实体
  如果无法修改解析器配置，可对原始XML做定向替换：
  • 若要保留®的原始文本格式，将®替换为®
  • 若要展示实际的注册商标符号，将®替换为Unicode字符®
• 方案三：使用兼容HTML实体的解析工具
  部分XML/HTML通用解析库默认支持常用HTML实体，可直接调用这类工具解析XML，无需额外配置。

注意事项 #

不要全局替换所有&字符，否则会破坏XML本身的预定义实体，导致标签、属性的转义逻辑失效。如果后续要转换为JSON，建议直接将®转换为对应Unicode字符，JSON对原生Unicode支持友好，不会出现二次转义问题。

内容的提问来源于stack exchange，提问作者naresh chinna