使用 DTD 验证 XML 无法使用 lxml 导入实体

Question

我有一个生成 NewsML 类型 XML 文件的工具，我想在生成文件后验证它们。 我收到一个错误：

Attempt to load network entity @987654321@

python调用是：

parser = etree.XMLParser(load_dtd=True, dtd_validation=True)
treeObject = etree.parse(f, parser)

首先我不确定我是否同时需要“load_dtd=True, dtd_validation=True”，但无论如何我都在使用它。 第二个错误似乎来自定义为的导入的 nitf-3-4.dtd：

<!ENTITY % xhtml-ruby.mod PUBLIC 
    "-//W3C//ELEMENTS XHTML Ruby 1.0//EN" "http://www.w3.org/TR/ruby/xhtml-ruby-1.mod">
%xhtml-ruby.mod;

lxml 会出去并检索这个 xhtml-ruby-1.mod 还是我必须在本地拥有所有 DTD 文件。

Answer 1

尝试使用no_network=False 构造解析器。如documentation中所述：

no_network - 在查找外部文档时阻止网络访问（默认开启）

导入的 dtd 模块应该由 lxml 检索，但如果不允许网络访问，它将无法这样做（这不计入文档本身，仅用于加载外部引用的文档。事实上，我希望您会在加载 dtd 本身时遇到错误，因此我假设该文档引用了该 dtd 的本地可用副本，并且只有 dtd 本身引用了远程资源？）

您还可以使用目录来使用本地可用的副本（不仅可以规避这个问题，而且性能更高，并且对 w3c 服务器更友好 ;-)）。 Libxml2（由 lxml 使用）将检查 /etc/xml/catalog 和 XML_CATALOG_FILES 环境变量中是否存在目录（请参阅 Libxml2 docs）

（也可以为 lxml 编写自己的resolvers 来拦截和处理请求，但在这种情况下可能有点过分了）

请注意，除了解析时间验证之外，还有另一个选项：使用DTD class 单独加载 dtd，并将​​其用作验证器。

这将使用提供的 dtd 验证已解析的文档，而不管 doctype 声明引用了哪个 dtd（如果有）（这很方便：根据 dtd，并非每个有效的 xml 文件都一定是有效的您 em> 想要）。

因为 dtd 只需检索和解析一次，如果您要验证大量文档，这应该会更快），并且（如果我没记错的话），您不会遇到 no_network 问题.

这种方法的另一个好处是：您甚至可以在序列化之前验证您的元素/元素树（如果您的生产工具使用的是 lxml）。

最后一点：某些文档只有在您可以在解析时访问 dtd 时才能被解析（无法解析的实体...）。如果可以，请避免这种情况。 （虽然不是每个人都同意：如果可能的话，完全避免使用 doctype 声明）。