Python解析XML：将十六进制转义序列视为字面字符串

这问题我之前也踩过坑！默认的XML解析器（包括lxml的fromstring）会严格遵循XML规范，自动解码属性值里的字符实体，把转换成实际的退格控制字符。要保留原始的实体字符串，有两种实用的解决方法：

方法1：预处理XML文本，转义实体的起始符 #

核心思路是把属性里的&#x替换成&#x——这样解析器会把&识别成普通的&字符，最终得到完整的字符串。示例代码：

import lxml.etree as ET

# 原始XML片段（需包裹成合法的单根XML结构）
raw_xml = '''
<root>
    <key code="51" output="&#x0008;"/> <!-- backspace -->
    <key code="53" output="&#x001B;"/> <!-- escape -->
</root>
'''

# 预处理：将实体的&转义为&amp;，避免解析器自动解码
processed_xml = raw_xml.replace('&#x', '&amp;#x')

# 正常解析XML
tree = ET.fromstring(processed_xml)
for key_elem in tree.findall('.//key'):
    output_attr = key_elem.get('output')
    print(repr(output_attr))  # 输出: '&#x0008;' 和 '&#x001B;'

方法2：使用SAX解析器直接获取原始属性值 #

SAX是基于事件的XML解析器，它不会自动解码实体，能直接拿到属性的原始字符串内容，适合处理大型XML或者需要更底层控制的场景：

from xml.sax import make_parser, handler

class EntityCaptureHandler(handler.ContentHandler):
    def startElement(self, tag_name, attrs):
        if tag_name == 'key':
            # getValue方法返回未解码的原始属性字符串
            raw_output = attrs.getValue('output')
            print(f"原始output属性值: {repr(raw_output)}")

# 初始化SAX解析器
parser = make_parser()
parser.setContentHandler(EntityCaptureHandler())

# 解析XML（同样需要合法的单根结构）
parser.parseString('''
<root>
    <key code="51" output="&#x0008;"/> <!-- backspace -->
    <key code="53" output="&#x001B;"/> <!-- escape -->
</root>
''')

补充说明：为什么默认解析器会自动解码？ #

根据XML 1.0规范，属性值中的字符实体（比如&#xHHHH;）必须被解析器解码为对应的Unicode字符。所以DOM类解析器（包括lxml、xml.etree）都会默认执行这个操作，要绕过它就得用上面两种方法。

内容的提问来源于stack exchange，提问作者Jollywatt