XML 解析问题，一些孟加拉语字符在 Python ElementTree 中显示 ParseError

Question

一些孟加拉语字符，例如“ৎ”、“।”当我尝试解析下面的 xml 文件“temp.xml”时显示 ParseError：

<?xml version="1.0" encoding="UTF-8"?>
<doc>
  <WORD>
  <অ>
    <অসুখে>অসুখ</অসুখে>
    <অসৎকে>অসৎ</অসৎকে>
  </অ>
  </WORD>
</doc>

使用python解析它：

import xml.etree.ElementTree as ET    

trees = ET.parse('temp.xml')
roots = trees.getroot()

给出错误：

File "<string>", line unknown
  ParseError: not well-formed (invalid token): line 6, column 11

错误是针对 xml 文件的行（对于 'ৎ' 字符）：

<অসৎকে>অসৎ</অসৎকে>

如何解析这些字符？

Answer 1

看起来 XML 解析器尚未更新以反映 XML 1.0 第五版中关于元素名称、属性等中允许的字符的更改。

问题中的 XML 文档被 ElementTree 和 minidom（使用 Expat 解析器）拒绝，但被 lxml（使用 libxml2）接受。

1998 年最初的 XML 1.0 建议中的有效字符规则基于 Unicode 2.0。 Unicode 4.1.0（2005 年发布）中添加了孟加拉语字符“ৎ”（U+09CE）。未包含在 Unicode 2.0 中的字符最初不允许出现在元素名称中。在 2008 年的第五版 XML 1.0 (https://www.w3.org/TR/REC-xml/) 中，放宽了限制，几乎可以使用任何字符。

有关这方面的更多信息，请参阅 XML 1.0 第四版勘误表 (https://www.w3.org/XML/xml-V10-4e-errata) 中“XML 名称建议（非规范）”部分中的“基本原理”。

另见https://norman.walsh.name/2008/02/07/xml105e。