使用 Python 将 <root> 标记添加到 XML 文档

Question

尝试将根标记添加到 2 百万行 XML 文件的开头和结尾，以便可以使用我的 Python 代码正确处理该文件。

我尝试使用 previous post 中的此代码，但我收到错误“XMLSyntaxError: Extra content at the end of the document, line __, column 1”

我该如何解决这个问题？或者有没有更好的方法在我的大型 XML 文档的开头和结尾添加根标记？

import lxml.etree as ET
tree = ET.parse('test.xml')
root = tree.getroot()
newroot = ET.Element("root")
newroot.insert(0, root)
print(ET.tostring(newroot, pretty_print=True))

我的测试 XML

<pub>
    <ID>75</ID>
    <title>Use of Lexicon Density in Evaluating Word Recognizers</title>
    <year>2000</year>
    <booktitle>Multiple Classifier Systems</booktitle>
    <pages>310-319</pages>
    <authors>
        <author>Petr Slav&iacute;k</author>
        <author>Venu Govindaraju</author>
    </authors>
</pub>
<pub>
    <ID>120</ID>
    <title>Virtual endoscopy with force feedback - a new system for neurosurgical training</title>
    <year>2003</year>
    <booktitle>CARS</booktitle>
    <pages>782-787</pages>
    <authors>
        <author>Christos Trantakis</author>
        <author>Friedrich Bootz</author>
        <author>Gero Strau&szlig;</author>
        <author>Edgar Nowatius</author>
        <author>Dirk Lindner</author>
        <author>H&uuml;seyin Kem&acirc;l &Ccedil;akmak</author>
        <author>Heiko Maa&szlig;</author>
        <author>Uwe G. K&uuml;hnapfel</author>
        <author>J&uuml;rgen Meixensberger</author>
    </authors>
</pub>

Answer 1

我怀疑该策略有效，因为最高级别只有一个 A 元素。幸运的是，即使有 200 万行，也可以轻松添加所需的行。

在执行此操作时，我注意到lxml 解析器似乎无法处理重音字符。我在那里添加了代码来对它们进行英语化。

import re

def anglicise(matchobj): return matchobj.group(0)[1]

outputFilename = 'result.xml'

with open('test.xml') as inXML, open(outputFilename, 'w') as outXML:
    outXML.write('<root>\n')
    for line in inXML.readlines():
        outXML.write(re.sub('&[a-zA-Z]+;',anglicise,line))
    outXML.write('</root>\n')

from lxml import etree

tree = etree.parse(outputFilename)
years = tree.xpath('.//year')
print (years[0].text)

编辑：将anglicise 替换为此版本以避免替换&。

def anglicise(matchobj): 
    if matchobj.group(0) == '&':
        return matchobj.group(0)
    else:
        return matchobj.group(0)[1]