解析不同的结构化xml

Question

目前我已经尝试对这个具有不同表结构的文件使用 xml.dom.minidom.parser 和 xml.etree.ElementTree。

每当我尝试使用这些命令时，都会收到一条错误消息“ExpatError: not well-formed (invalid token): line 300606, column 37”

我正在使用的文件是来自https://omia.org/download/ 的omia.xml.zip 文件。 如何处理这种格式化文件？

我试图将beautifulsoup 与xml 和lxml 一起使用，但似乎我也有一些问题。 （我 pip install lxml，但它没有被识别）

Answer 1

这看起来像是元素内容的编码问题。以下是 xmllint 报告的内容：

$ unzip -p ~/Downloads/omia.xml.zip | xmllint --noout -
-:300606: parser error : PCDATA invalid Char value 2
        <field name="journal">Bulletin et Memoires de la Societe Centrale de Medic
                                           ^
-:300606: parser error : PCDATA invalid Char value 2
        <field name="journal">Bulletin et Memoires de la Societe Centrale de Medic
                                                              ^
-:300606: parser error : PCDATA invalid Char value 2
        <field name="journal">Bulletin et Memoires de la Societe Centrale de Medic
                                                                 ^
-:300606: parser error : PCDATA invalid Char value 2
        <field name="journal">Bulletin et Memoires de la Societe Centrale de Medic
                                                                                 ^
-:322053: parser error : Opening and ending tag mismatch: row line 322042 and field
        <field name="doi"></field>
                                  ^
-:322054: parser error : Opening and ending tag mismatch: table_data line 19 and row
    </row>
          ^
-:328921: parser error : Opening and ending tag mismatch: database line 3 and table_data
    </table_data>
                 ^
-:1389753: parser error : xmlSAX2Characters: huge text node
        <field name="gene_id">388093963</field>
                                               ^

您或许可以过滤无效字符，但我不确定这会如何影响您的预期结果。