Разбор огромных, плохо закодированных файлов XML в Python
Я работал над кодом, который анализирует внешние XML-файлы. Некоторые из этих файлов огромны, до гигабайт данных. Нет необходимости говорить, что эти файлы нужно анализировать как поток, потому что загрузка их в память слишком неэффективна и часто приводит к проблемам OutOfMemory.
Я использовал библиотеки miniDOM, ElementTree, cElementTree и сейчас я использую lxml.
Прямо сейчас у меня есть рабочий, довольно эффективный скрипт, использующий памятьlxml.etree.iterparse
, Проблема в том, что некоторые файлы XML, которые мне нужно проанализировать, содержат ошибки кодирования (они объявляются как UTF-8, но содержат символы с разным кодированием). Когда используешьlxml.etree.parse
это можно исправить с помощьюrecover=True
опция пользовательского парсера, ноiterparse
не принимает пользовательский парсер. (смотрите также:этот вопрос)
Мой текущий код выглядит так:
from lxml import etree
events = ("start", "end")
context = etree.iterparse(xmlfile, events=events)
event, root_element = context.next() # <items>
for action, element in context:
if action == 'end' and element.tag == 'item':
# <parse>
root_element.clear()
Ошибка приiterparse
встречается с плохим персонажем (в данном случае это^Y
):
lxml.etree.XMLSyntaxError: Input is not proper UTF-8, indicate encoding !
Bytes: 0x19 0x73 0x20 0x65, line 949490, column 25
Я даже не хочу декодировать эти данные, я могу просто отбросить их. Однако я не знаю, как пропустить элемент - я пыталсяcontext.next
а такжеcontinue
в попытках / кроме заявлений.
Любая помощь будет оценена!
Update
Некоторая дополнительная информация: Это строка, в которой происходит сбой iterparse:
<description><![CDATA:[musea de la photographie fonds mercator. Met meer dan 80.000 foto^Ys en 3 miljoen negatieven is het Muse de la...]]></description>
Согласно etree, ошибка происходит в байтах0x19 0x73 0x20 0x65
.
Согласно hexedit,19 73 20 65
переводится в ASCII.s e
.
в этом месте должен быть апостроф (фото).
Я также нашелэтот вопрос, который не дает решения.