Python lxml.etree 保留实体引用

Question

我正在创建一个简单的脚本来使用特定模式解析、验证、修复和重新打印 XML 文件。整个过程运行良好，但问题是当我打印修改后的 ElementTree 时，它​​会删除我所有的实体引用。

这是简化的 python 代码:

from pathlib import Path

from lxml import etree as ET
from lxml.builder import E

schema = ET.XMLSchema('C:/path/to/schema.xsd')
parser = ET.XMLParser(recover=True)
source_file = Path('file.xml')
tree = ET.parse(source_file.name, parser, base_url="http://www.domain.url")
root = tree.getroot()

# Do some validation

source_file.write_text(ET.tostring(tree, encoding='utf-8').decode(encoding='utf-8'), encoding='utf-8') 

这是“之前”XML 的片段:

<!DOCTYPE element [
<!ENTITY % ISOEntities PUBLIC "ISO 8879-1986//ENTITIES ISO Character Entities 20030531//EN//XML" "http://www.domain.url/path/to/ISOEntities"> 
%ISOEntities
]>
<para>&minus;67 to 250&deg;</para>

之后:

<!DOCTYPE element [
<!ENTITY % ISOEntities PUBLIC "ISO 8879-1986//ENTITIES ISO Character Entities 20030531//EN//XML" "http://www.domain.url/path/to/ISOEntities"> 
<! -- THE ENTIRE CONTENTS OF ISOENTITIES (100s of lines of code) -->
]>
<para>-67 to 250°</para>

虽然技术上“正确”，但我想将它们保留为实体引用而不是文字字符。如前所述，它还解析了我不想要的 ISOEntities。

现在，我尝试的明显解决方案是将 resolve_entities=False kwarg 添加到解析器。结果是完全删除引用并简单地用任何内容替换它们。

<!DOCTYPE element [
<!ENTITY % ISOEntities PUBLIC "ISO 8879-1986//ENTITIES ISO Character Entities 20030531//EN//XML" "http://www.domain.url/path/to/ISOEntities"> 
%ISOEntities
]>
<para>67 to 250</para>

有什么方法可以像解析时一样将树打印成字符串吗？ (即保持内部 DTD 相同并保持实体引用完整)

编辑:使用调试器验证实体在 tostring 操作之前丢失，因此消除它们的肯定是解析过程，而不是转换为字符串。

Answer 1

所以我没有找到很好的答案来解决这个问题。实体都在 %IsoEntities 中声明，但是因为它本身也是一个实体，我将它设置为不解析实体，解析器不解析 %IsoEntities，因此不识别任何实体其他实体。

但我确实找到了解决方法。结果 & 没有被替换，我猜是因为这是一个独特的案例。因此，解决方法是将所有 & 替换为 &。因此，您会发送类似 − 的内容。解析器不会将其识别为一个实体，并将保持原样。将 ElementTree 转换为字符串格式后，您可以再次遍历并将所有 & 替换为 &，这样您就可以再次获得原始实体。

我仍然很想听听是否有人有更好的答案。