Разрешить внешнюю неразобранную сущность при разборе с помощью lxml

Question

Как я могу разрешить Внешнюю Непарсированную Сущность во время синтаксического анализа с lxml?

Вот мой пример кода:

import io

from lxml import etree

content = b"""\
<?xml version="1.0"?>
<!DOCTYPE sample [
<!NOTATION jpeg SYSTEM "image/jpeg">
<!ENTITY ref1 SYSTEM "python-logo-small.jpg" NDATA jpeg>
<!ELEMENT sample EMPTY>
<!ATTLIST sample src ENTITY #REQUIRED>
]>
<sample src="ref1"/>
"""

parser = etree.XMLParser(dtd_validation=True, resolve_entities=True)
doc = etree.parse(io.BytesIO(content), parser=parser)
print(etree.tostring(doc))

Примечание: я использую lxml >= 3.4

В настоящее время у меня есть следующий результат:

<!DOCTYPE sample [
<!NOTATION jpeg SYSTEM "image/jpeg" >
<!ENTITY ref1 SYSTEM "python-logo-small.jpg" NDATA jpeg>
<!ELEMENT sample EMPTY>
<!ATTLIST sample src ENTITY #REQUIRED>
]>
<sample src="ref1"/>

Здесь ref1 сущность не разрешена в "python-logo-small.jpg". Я ожидал <sample src="python-logo-small.jpg"/>, Что-то не так?

Я также пытаюсь с:

parser = etree.XMLParser(dtd_validation=True, resolve_entities=True, load_dtd=True)

Но у меня такой же результат.

В качестве альтернативы, я бы хотел самостоятельно восстановить сущности. Для этого я попытаюсь перечислить сущности таким образом:

for entity in doc.docinfo.internalDTD.iterentities():
    msg_fmt = "{entity.name!r}, {entity.content!r}, {entity.orig!r}"
    print(msg_fmt.format(entity=entity))

Но я получаю только имена сущностей и обозначений, а не определение сущности:

'ref1', 'jpeg', None

Как получить доступ к определению сущности?

Answer 1

ОК, невозможно "разрешить" внешние неразобранные объекты, но мы можем перечислить их:

import io

import xml.sax

content = b"""\
<?xml version="1.0"?>
<!DOCTYPE sample [
<!NOTATION jpeg SYSTEM "image/jpeg">
<!ENTITY ref1 SYSTEM "python-logo-small.jpg" NDATA jpeg>
<!ELEMENT sample EMPTY>
<!ATTLIST sample src ENTITY #REQUIRED>
]>
<sample src="ref1"/>
"""


class MyDTDHandler(xml.sax.handler.DTDHandler):
    def __init__(self):
        pass

    def unparsedEntityDecl(self, name, publicId, systemId, ndata):
        print(dict(name=name, publicId=publicId, systemId=systemId, ndata=ndata))
        xml.sax.handler.DTDHandler.unparsedEntityDecl(self, name, publicId, systemId, ndata)


parser = xml.sax.make_parser()
parser.setDTDHandler(MyDTDHandler())
parser.parse(io.BytesIO(content))

Результат:

{'systemId': u'python-logo-small.jpg', 'ndata': u'jpeg', 'publicId': None, 'name': u'ref1'}

Итак, работа выполнена.

Answer 2

Документ XML с неразобранной сущностью выглядит хорошо. Но неразобранные сущности не решаются так, как вы, кажется, ожидаете. Если вы хотите увидеть <sample src="python-logo-small.jpg"/> в проанализированном выводе используйте внутреннюю (проанализированную) сущность.

Пример:

import io
from lxml import etree

content = b"""\
<?xml version="1.0"?>
<!DOCTYPE sample [
<!ENTITY ref1 "python-logo-small.jpg">
<!ELEMENT sample EMPTY>
<!ATTLIST sample src CDATA #REQUIRED>
]>
<sample src="&ref1;"/>
"""

parser = etree.XMLParser(dtd_validation=True, resolve_entities=True)
doc = etree.parse(io.BytesIO(content), parser=parser)
print(etree.tostring(doc))

Выход:

<!DOCTYPE sample [
<!ENTITY ref1 "python-logo-small.jpg">
<!ELEMENT sample EMPTY>
<!ATTLIST sample src CDATA #REQUIRED>
]>
<sample src="python-logo-small.jpg"/>

Заметки:

• ref1 Сущность объявлена ​​как внутренняя сущность.
• На объект ссылаются с &ref1;,
• src атрибут объявлен как тип CDATA,

---

Вы можете получить значение (URI) неразобранных сущностей с помощью XSLT, используя unparsed-entity-uri функция. Чтобы увидеть это в действии, добавьте следующие строки в пример кода в вопросе:

xsl = etree.XML('''\
<xsl:stylesheet version="1.0" 
     xmlns:xsl="http://www.w3.org/1999/XSL/Transform">
 <xsl:output encoding="utf-8" omit-xml-declaration="yes"/>
 <xsl:template match="sample">
   <xsl:value-of select="unparsed-entity-uri(@src)"/>
 </xsl:template>
</xsl:stylesheet>
''')

transform = etree.XSLT(xsl)
result = transform(doc)
print result

Выход:

python-logo-small.jpg