Python lxml错误 "namespace not defined."

Question

我被一些奇怪的 xml 逼疯了，如果有一些指点，我将不胜感激:

文档定义如下:

<sphinx:document id="18059090929806848187">
  <url>http://www.some-website.com</url>
  <page_number>104</page_number>
  <size>7865</size>
</sphinx:document>

现在，我需要读取大量文件(其中 500m+ 这些文件都是 gz 压缩的)并从一些包含的标签中获取文本值。

示例代码:

from lxml import objectify, etree
import gzip

with open ('file_list','rb') as file_list:
 for file in file_list:
  in_xml = gzip.open(file.strip('\n'))
  xml2 = etree.iterparse(in_xml)
  for action, elem in xml2:
   if elem.tag == "page_number":
    print elem.text + str(file)

返回第一个值 elem.text，但仅针对列表中的第一个文件，并很快出现错误:

lxml.etree.XMLSyntaxError:文档上的命名空间前缀 sphinx 未定义，第 1 行，第 20 列

请原谅我的无知，但 xml 确实让我很头疼，我已经为此苦苦挣扎了一段时间。有没有办法可以定义 namespace 前缀或以其他更智能的方式处理此问题？

谢谢

Answer 1

您的输入文件不是格式正确的 XML。我假设它是来自较大 XML 文档的片段。

您的选择是:

• 重建较大的文档。如何执行此操作取决于您的应用程序。您可能需要咨询创建您正在解析的文件的人员。

• 尽管有错误，仍解析该文件。为此，请使用 lxml.etree.iterparse 中的 recover 关键字:

  xml2 =etree.iterparse(in_xml, recover=True)