python-xml：格式不正确（无效令牌） - xml.etree utf 模式

Question

我有以下 XML 文件结构：

<doc id="4611827073121129112">
<class name="tag:September_11" val="-0.079590" />
<class name="tag:Theater" val="-0.134223" />
<class name="tag:Adaptation" val="-0.106678" />
<class name="tag:Paranormal" val="-0.183504" />
<class name="tag:Magic" val="-0.179214" />
<class name="tag:Comedy_Drama" val="-0.044658" />
<class name="tag:Fashion" val="-0.280695" />
<class name="tag:Running" val="0.160316" />
<class name="tag:Construction" val="-0.072044" />
<class name="tag:Suspense_Thriller" val="-0.370302" />
<class name="tag:Space" val="-0.239723" />
<class name="tag:Police" val="-0.139019" />
<class name="tag:Hip-Hop_&_Rap_Music" val="-0.290353" />
<class name="tag:Surfing" val="-0.027105" />
<class name="tag:Halloween" val="-0.236606" />
<class name="tag:Mystery_&_Suspense" val="0.005384" />
<class name="tag:Educational" val="-0.166370" />
<class name="tag:Biography" val="-0.126149" />
<class name="tag:Religion" val="-0.034275" />
<class name="tag:Cartoon" val="-0.487169" />
<class name="tag:Auto_Racing" val="-0.047648" />
<class name="tag:Pets" val="-0.118809" />
</doc>

文件没有 xml 扩展名，例如文件名为 test.values

首先尝试一下我决定使用python shell：我正在使用python的Anaconda版本版本：

Python 2.7.9 |Anaconda 2.1.0 (x86_64)| (default, Dec 15 2014, 10:37:34)
[GCC 4.2.1 (Apple Inc. build 5577)] on darwin
Type "help", "copyright", "credits" or "license" for more information.
Anaconda is brought to you by Continuum Analytics.
Please check out: http://continuum.io/thanks and https://binstar.org

>>> import xml.etree.ElementTree as ET
>>> tree = ET.parse('test.values')

我收到以下错误：

xml.etree.ElementTree.ParseError: not well-formed (invalid token): line 14, column 43

仔细看线：

<class name="tag:Hip-Hop_&_Rap_Music" val="-0.290353" />

我意识到它有 &，我猜想 xml.etree 包没有以 utf 模式打开文件：

我手动删除了&，一切正常。但问题是我必须读取大量文件并进行解析。根据我的谷歌搜索，我找不到任何以utf-8 模式显示etree 包打开文件的示例。我该如何解决这个问题？

Answer 1

你是对的，它是 &，但它与 Unicode 无关（尽管在你解决这个问题之后可能会出现 Unicode 问题。

您不能在 XML 中的属性值中包含 & 或小于，除非您将其转义（分别为 & 或 <）。因此，任何编写 XML 的程序都应该修复以检测和重新编码这些字符。