获取 xml 文件 doctype 中的实体列表

Question

使用 python 和 lxml，有没有办法在 xml 文件的 doctype 中获取实体列表？这是缩小的xml：<?xml version="1.0" encoding="UTF-8"?><!DOCTYPE dmodule [<!ENTITY somegraphic1 SYSTEM 'somegraphic1.cgm' NDATA cgm><!ENTITY somegraphic2 SYSTEM 'somegraphic2.cgm' NDATA cgm><!NOTATION cgm SYSTEM 'cgm'><!ENTITY % ISOEntities PUBLIC 'ISO 8879-1986//ENTITIES ISO Character Entities 20030531//EN//XML' 'http://www.s1000d.org/S1000D_4-1/ent/xml/ISOEntities'>%ISOEntities;]><dmodule><graphic ident="somegraphic1"/><graphic ident="somegraphic2"/></dmodule>我可以使用 lxml 解析文件并检索 doctype 中列出的实体 (!ENTITY) 吗？我想要最终结果为 ['somegraphic1.cgm', 'somegraphic2.cgm'] 的图形文件列表。目前，代码（不优雅）只是打开 xml 文件并逐行读取，直到<dmodule然后拆分寻找以“.cgm”结尾的字符串的行 - 呸。如果lxml不能，请推荐另一种方式。

Answer 1

如果我对您的理解正确，那么到达那里的方式有点奇怪，并且至少可以与上面的精简 xml 一起使用-因此，如果它符合您的需要，它可能就足够了...

myx = """[your xml snippet]"""

from bs4 import BeautifulSoup as bs

soup = bs(myx,'html.parser') #yup, html parser...

for i in soup:           

    if 'ENTITY' in i and 'SYSTEM' in i:

        one = i.split('SYSTEM')

        two = one[1].split('NDATA')

        print(two[0])

输出：

somegraphic1.cgm

somegraphic2.cgm

Answer 2

libxml2 有一个函数xmlGetDocEntity(doc, name)，它返回一个表示实体的对象，其中一个字段URI包含未解析的实体 URI。这就是我用于执行类似操作的工具的工具：https ://github.com/kibook/s1kd-tools/tree/master/tools/s1kd-refs 。

示例用法：

$ s1kd-refs --icn DMC-[...].XML

somegraphic1.cgm

somegraphic2.cgm

我使用“//@infoEntityIdent”之类的 XPath 表达式来获取所有使用的图形的列表，然后获取每个图形的实体 URI。请注意，这并未列出 DTD 中声明的所有 ENTITY，仅列出了在 XML 中实际用作<graphic>s 或<symbol>s 的那些。

lxml 建立在 libxml2 之上，但我对它不够熟悉，不知道是否有与 xmlGetDocEntity 完全等价的东西。

另一种选择是首先使用 XSLT 创建更易于解析的内容：

<xsl:transform xmlns:xsl="http://www.w3.org/1999/XSL/Transform" version="1.0">

    <xsl:template match="/">

      <graphics>

        <xsl:apply-templates select="//@infoEntityIdent"/>

      </graphics>

    </xsl:template>

    <xsl:template match="@infoEntityIdent">

      <graphic>

        <xsl:value-of select="unparsed-entity-uri(.)"/>

      </graphic>

    </xsl:template>

</xsl:transform>

输出：

<graphics>

  <graphic>somegraphic1.cgm</graphic>

  <graphic>somegraphic2.cgm</graphic>

</graphics>