获取 xml 文件 doctype 中的实体列表答案

【问题标题】：get list of entities in doctype of xml file获取 xml 文件 doctype 中的实体列表
【发布时间】：2019-10-14 22:17:22
【问题描述】：

使用 python 和 lxml，有没有办法获取 xml 文件的 doctype 中的实体列表？这是缩小的xml：

<?xml version="1.0" encoding="UTF-8"?>
<!DOCTYPE dmodule [
<!ENTITY somegraphic1 SYSTEM 'somegraphic1.cgm' NDATA cgm>
<!ENTITY somegraphic2 SYSTEM 'somegraphic2.cgm' NDATA cgm>
<!NOTATION cgm SYSTEM 'cgm'>
<!ENTITY % ISOEntities PUBLIC 'ISO 8879-1986//ENTITIES ISO Character Entities 20030531//EN//XML' 'http://www.s1000d.org/S1000D_4-1/ent/xml/ISOEntities'>
%ISOEntities;]>
<dmodule>
<graphic ident="somegraphic1"/>
<graphic ident="somegraphic2"/>
</dmodule>

我可以用 lxml 解析文件并检索 doctype 中列出的实体 (!ENTITY) 吗？我想要最终结果为 ['somegraphic1.cgm', 'somegraphic2.cgm'] 的图形文件列表。目前，代码（不优雅）只是打开 xml 文件并逐行读取直到<dmodule，然后拆分行以查找以“.cgm”结尾的字符串 - 呸。如果lxml不能，请推荐另一种方式。

【问题讨论】：

标签： python lxml

【解决方案1】：

如果我对您的理解正确，有一种有点奇怪的方法可以到达那里，它至少可以与上面的精简 xml 一起使用 - 所以如果它符合您的需要，它可能就足够了......

myx = """[your xml snippet]"""
from bs4 import BeautifulSoup as bs
soup = bs(myx,'html.parser') #yup, html parser...
for i in soup:           
    if 'ENTITY' in i and 'SYSTEM' in i:
        one = i.split('SYSTEM')
        two = one[1].split('NDATA')
        print(two[0])

输出：

somegraphic1.cgm

somegraphic2.cgm

【讨论】：

【解决方案2】：

libxml2 有一个函数xmlGetDocEntity(doc, name)，它返回一个表示实体的对象，其中一个字段URI 包含未解析的实体URI。这是我用于执行类似操作的工具的工具：https://github.com/kibook/s1kd-tools/tree/master/tools/s1kd-refs。

示例用法：

$ s1kd-refs --icn DMC-[...].XML
somegraphic1.cgm
somegraphic2.cgm

我使用“//@infoEntityIdent”之类的 XPath 表达式来获取所有使用的图形的列表，然后获取每个图形的实体 URI。请注意，这并未列出 DTD 中声明的所有 ENTITY，仅列出了在 XML 中实际用作 <graphic>s 或 <symbol>s 的那些。

lxml 建立在 libxml2 之上，但我对它还不够熟悉，不知道是否有与 xmlGetDocEntity 完全等价的东西。

另一种选择是首先使用 XSLT 创建更易于解析的内容：

<xsl:transform xmlns:xsl="http://www.w3.org/1999/XSL/Transform" version="1.0">

    <xsl:template match="/">
      <graphics>
        <xsl:apply-templates select="//@infoEntityIdent"/>
      </graphics>
    </xsl:template>

    <xsl:template match="@infoEntityIdent">
      <graphic>
        <xsl:value-of select="unparsed-entity-uri(.)"/>
      </graphic>
    </xsl:template>

</xsl:transform>

输出：

<graphics>
  <graphic>somegraphic1.cgm</graphic>
  <graphic>somegraphic2.cgm</graphic>
</graphics>

【讨论】：