使用 Python lxml 时出现错误“无法加载外部实体”答案

【问题标题】：Error 'failed to load external entity' when using Python lxml使用 Python lxml 时出现错误“无法加载外部实体”
【发布时间】：2012-05-14 12:19:44
【问题描述】：

我正在尝试解析从 Web 检索到的 XML 文档，但在解析后出现以下错误时崩溃：

': failed to load external entity "<?xml version="1.0" encoding="UTF-8"?>
<?xml-stylesheet type="text/xsl" href="GreenButtonDataStyleSheet.xslt"?>

这是下载的 XML 中的第二行。有没有办法阻止解析器尝试加载外部实体，或者有其他方法来解决这个问题？这是我到目前为止的代码：

import urllib2
import lxml.etree as etree

file = urllib2.urlopen("http://www.greenbuttondata.org/data/15MinLP_15Days.xml")
data = file.read()
file.close()

tree = etree.parse(data)

【问题讨论】：

标签： python xml lxml elementtree

【解决方案1】：

您收到该错误是因为您正在加载的 XML 引用了外部资源：

<?xml-stylesheet type="text/xsl" href="GreenButtonDataStyleSheet.xslt"?>

LXML 不知道如何解析GreenButtonDataStyleSheet.xslt。您和我可能都意识到，相对于您的原始 URL http://www.greenbuttondata.org/data/15MinLP_15Days.xml，它是可用的...诀窍是告诉 lxml 如何加载它。

lxml documentation 包含一个标题为“Document loading and URL resolving”的部分，其中包含您需要的所有信息。

【讨论】：

你知道是否可以关闭加载所有外部资源吗？我查看了文档，但找不到任何东西。
"您收到该错误是因为您正在加载的 XML 引用了外部资源"。不，这不是您收到错误的原因。请看我的回答。

【解决方案2】：

etree.parse(source) 期望 source 是其中之一

文件名/路径
一个文件对象
类似文件的对象
使用 HTTP 或 FTP 协议的 URL

问题在于您将 XML 内容作为字符串提供。

你也可以不用urllib2.urlopen()。只需使用

tree = etree.parse("http://www.greenbuttondata.org/data/15MinLP_15Days.xml")

演示（使用 lxml 2.3.4）：

>>> from lxml import etree
>>> tree = etree.parse("http://www.greenbuttondata.org/data/15MinLP_15Days.xml")
>>> tree.getroot()
<Element {http://www.w3.org/2005/Atom}feed at 0xedaa08>
>>>

在一个competing answer中，提示lxml失败是因为文档中的处理指令引用的样式表。但这不是这里的问题。 lxml 不会尝试加载样式表，如果您按照上述方式进行，则 XML 文档会被解析得很好。

如果您想实际加载样式表，则必须明确说明。需要这样的东西：

from lxml import etree

tree = etree.parse("http://www.greenbuttondata.org/data/15MinLP_15Days.xml")

# Create an _XSLTProcessingInstruction object
pi = tree.xpath("//processing-instruction()")[0] 

# Parse the stylesheet and return an ElementTree
xsl = pi.parseXSL()

【讨论】：

@Duke：谢谢！很高兴终于得到了一些积极的反馈。
我在解析 URL 时遇到此错误。知道如何禁用加载那些“外部实体”吗？我对样式表不感兴趣，只想解析页面中的锚点。
@MightyPork：这个问题并不是关于“外部实体”；错误信息具有误导性。这里的问题是 OP 在字符串对象上使用etree.parse()，这是行不通的。如果您有相关问题，我认为您应该提出一个新问题。
@mzjn 我确实问过，但我得到的所有建议都是使用不同的库来获取 url。我认为您对问题有更深入的了解并且可以提供帮助。
在我的例子中，我得到了错误，因为我试图用解析打开一个 https url。

【解决方案3】：

与 mzjn 所说的一致，如果您确实想将字符串传递给 etree.parse()，只需将其包装在 StringIO 对象中即可。

例子：

from lxml import etree
from StringIO import StringIO

myString = "<html><p>blah blah blah</p></html>"

tree = etree.parse(StringIO(myString))

此方法用于lxml documentation。

【讨论】：

对于python3：from io import StringIO

【解决方案4】：

用于解析的 lxml 文档说 要从字符串解析，请改用 fromstring() 函数。

parse(...)
    parse(source, parser=None, base_url=None)

    Return an ElementTree object loaded with source elements.  If no parser
    is provided as second argument, the default parser is used.

    The ``source`` can be any of the following:

    - a file name/path
    - a file object
    - a file-like object
    - a URL using the HTTP or FTP protocol

    To parse from a string, use the ``fromstring()`` function instead.

    Note that it is generally faster to parse from a file path or URL
    than from an open file object or file-like object.  Transparent
    decompression from gzip compressed sources is supported (unless
    explicitly disabled in libxml2).

【讨论】：