xmltodict.unparse 未正确处理 CDATA

Question

我正在尝试使用 xmltodict 将 XML 内容作为 python 对象进行操作，但我遇到了正确处理 CDATA 的问题。我想我在某处遗漏了一些东西，这是我的代码：

import xmltodict

data = """<node1>
    <node2 id='test'><![CDATA[test]]></node2>
    <node3 id='test'>test</node3>
</node1>"""

data = xmltodict.parse(data,force_cdata=True, encoding='utf-8')
print data

print xmltodict.unparse(data, pretty=True)

这是输出：

OrderedDict([(u'node1', OrderedDict([(u'node2', OrderedDict([(u'@id', u'test'), ('#text', u'test')])), (u'node3', OrderedDict([(u'@id', u'test'), ('#text', u'test')]))]))])
<?xml version="1.0" encoding="utf-8"?>
<node1>
        <node2 id="test">test</node2>
        <node3 id="test">test</node3>
</node1>

这里可以看到生成的node2缺少CDATA，而且node2和node3是一样的。但是，在输入中节点不同。

此致

Answer 1

我终于通过执行这个 monkey-patch 让它工作了。我仍然对它不太满意，这真的是一个 'hack' 这个功能应该包含在某个地方：

import xmltodict
def escape_hacked(data, entities={}):
    if data[0] == '<' and  data.strip()[-1] == '>':
        return '<![CDATA[%s]]>' % data

    return escape_orig(data, entities)


xml.sax.saxutils.escape = escape_hacked

然后运行您的 python 代码正常：

data = """<node1>
    <node2 id='test'><![CDATA[test]]></node2>
    <node3 id='test'>test</node3>
</node1>"""

data = xmltodict.parse(data,force_cdata=True, encoding='utf-8')
print data

print xmltodict.unparse(data, pretty=True)

解释一下，下行检测数据是否有效XML，然后在其周围添加 CDATA 标签：

    if data[0] == '<' and  data.strip()[-1] == '>':
        return '<![CDATA[%s]]>' % data

此致

Answer 2

我想澄清一下，没有官方支持的方法来保留 CDATA 部分。

您可以在此处查看 the issue。

基于以上事实，你需要DIY。有两种方法：

首先，让我们创建一些辅助函数。

def cdata(s):
    return '<![CDATA[' + s + ']]>'

def preprocessor(key, value):
    '''Unneccessary if you've manually wrapped the values. For example,

    xmltodict.unparse({
        'node1': {'node2': '<![CDATA[test]]>', 'node3': 'test'}
    })
    '''

    if key in KEEP_CDATA_SECTION:
        if isinstance(value, dict) and '#text' in value:
            value['#text'] = cdata(value['#text'])
        else:
            value = cdata(value)
    return key, value

取消转义被转义 XML

import xmltodict
from xml.sax.saxutils import unescape

KEEP_CDATA_SECTION = ['node2']

out_xml = xmltodict.unparse(data, preprocessor=preprocessor)
out_xml = unescape(out_xml) # not safe !

你不应该在不可信的数据上尝试，因为这种方法不仅对字符数据进行了转义，而且还对节点的属性进行了转义。

子类化 XMLGenerator

为了缓解 unescape() 的安全问题，我们可以删除 XMLGenerator 中的 escape() 调用，这样就不需要再次对 XML 进行转义。

class XMLGenerator(xmltodict.XMLGenerator):
    def characters(self, content):
        if content:
            self._finish_pending_start_element()
            self._write(content) # also not safe, but better !

xmltodict.XMLGenerator = XMLGenerator

这不是 hack，所以它不会改变 xmltodict 除了 unparse() 之外的其他行为。更重要的是，它不会污染内置库 xml .

对于一线粉丝

xmltodict.XMLGenerator.characters = xmltodict.XMLGenerator.ignorableWhitespace # now, it is a hack !

更进一步，你可以像下面这样直接将字符数据包裹在XMLGenerator中。

class XMLGenerator(xmltodict.XMLGenerator):
    def characters(self, content):
        if content:
            self._finish_pending_start_element()
            self._write(cdata(content))

从现在开始，每个有字符数据的节点都将保留CDATA部分。

xmltodict.unparse 未正确处理 CDATA

xmltodict.unparse is not handling CDATA properly

python

xmltodict