Python ElementTree 生成格式不正确的带有特殊字符“\x0b”的 XML 文件

Question

我曾经ElementTree生成带有'\x0b'特殊字符的xml，然后minidom用来解析它。它会抛出not well-formed错误。

import xml.etree.ElementTree as ET
from xml.dom import minidom
root = ET.Element('root')
root.text='\x0b'
xml = ET.tostring(root, 'UTF-8')
print(xml)
pretty_tree = minidom.parseString(xml)

生成的 XML：<root>\x0b</root>

错误：

Traceback (most recent call last):
  File "testXml.py", line 7, in <module>
    pretty_tree = minidom.parseString(xml)
  File "/usr/local/Cellar/python/3.7.7/Frameworks/Python.framework/Versions/3.7/lib/python3.7/xml/dom/minidom.py", line 1968, in parseString
    return expatbuilder.parseString(string)
  File "/usr/local/Cellar/python/3.7.7/Frameworks/Python.framework/Versions/3.7/lib/python3.7/xml/dom/expatbuilder.py", line 925, in parseString
    return builder.parseString(string)
  File "/usr/local/Cellar/python/3.7.7/Frameworks/Python.framework/Versions/3.7/lib/python3.7/xml/dom/expatbuilder.py", line 223, in parseString
    parser.Parse(string, True)
xml.parsers.expat.ExpatError: not well-formed (invalid token): line 1, column 6

Answer 1

此行为过去曾作为错误提出，并已解决为“无法修复”。

ElementTree 模块作者评论

对于 ET，[这种行为] 是非常有意的。验证每个应用程序提供的数据会降低所有应用程序的性能，即使只有一小部分人会尝试序列化无法用 XML 表示的数据。

结束评论（由lxml的维护者，他也是 Python 核心开发者）包括以下观察：

这是一个棘手的决定。例如，lxml 验证用户输入，但那是因为无论如何它都必须处理它，并且直接在输入上进行处理（并且在 C 代码中非常有效）。另一方面，ET 对于它允许用户做什么并且不对用户输入应用太多处理是相当宽松的。它甚至在处理过程中允许无效树，并且仅在请求序列化它时才期望树是可序列化的。

我认为这是一种公平的行为，因为大多数用户输入都可以，并且不需要因为验证所有输入而遭受性能损失。例如，空字符在文本中是非常罕见的，我认为让用户自己处理少数可能发生的情况是合理的。

...

最后，真正关心正确输出的用户应该在序列化后对其进行某种模式验证，因为这不仅会检测数据问题，还会检测结构和逻辑问题（例如缺失或空属性），特别是针对他们的目标数据格式。在某些情况下，它甚至可能检测到由于服务器机器中旧的非 ECC RAM 造成的随机数据损坏。:)

...

所以总而言之，ET.tostring会生成格式不正确的xml，这是设计使然。如有必要，可以解析输出以检查其格式是否正确，使用ET.fromstring或其他解析器。或者，可以使用 lxml 代替 ElementTree。