Я работаю над кодом, который анализирует внешние файлы XML -. Некоторые из этих файлов огромны, до гигабайт данных. Излишне говорить, что эти файлы нужно анализировать как поток, потому что загрузка их в память слишком неэффективна и часто приводит к проблемам OutOfMemory.
Я использовал библиотеки miniDOM, ElementTree, cElementTree и сейчас использую lxml. Прямо сейчас у меня есть работающий, довольно экономичный -сценарий, использующий lxml.etree.iterparse
. Проблема в том, что некоторые файлы XML, которые мне нужно проанализировать, содержат ошибки кодирования (, которые они объявляют как UTF -8, но содержат символы, закодированные по-другому ). При использовании lxml.etree.parse
это можно исправить с помощью параметра recover=True
пользовательского анализатора, но iterparse
не принимает пользовательский анализатор. (см. также:этот вопрос)
Мой текущий код выглядит так:
from lxml import etree
events = ("start", "end")
context = etree.iterparse(xmlfile, events=events)
event, root_element = context.next() #
for action, element in context:
if action == 'end' and element.tag == 'item':
#
root_element.clear()
Ошибка, когда iterparse
встречается с плохим символом (, в данном случае это^Y
):
lxml.etree.XMLSyntaxError: Input is not proper UTF-8, indicate encoding !
Bytes: 0x19 0x73 0x20 0x65, line 949490, column 25
Я даже не хочу расшифровывать эти данные, я могу просто бросить их.Однако я не знаю, как пропустить элемент -, который я пробовал context.next
и continue
в операторах try/except.
Любая помощь будет оценена по достоинству!
Обновление
Дополнительная информация :Это строка, где iterparse терпит неудачу:
Согласно etree, ошибка возникает в байтах 0x19 0x73 0x20 0x65
.
Согласно hexedit, 19 73 20 65
переводится в ASCII.s e
.
в этом месте должен быть апострофом (foto's ).
Я также нашел этот вопрос , который не дает решения.