我一直在研究解析外部XML文件的代码。其中一些文件非常庞大，高达千兆字节的数据。毋庸置疑，这些文件需要被解析为流，因为将它们加载到内存中的效率太低，并且经常导致OutOfMemory问题。
我使用了库miniDOM，ElementTree，cElementTree，我目前正在使用lxml。
现在我有一个工作的，非常有效的内存脚本，使用 lxml.etree.iterparse。问题是我需要解析的一些XML文件包含编码错误（它们通告为UTF-8，但包含不同编码的字符）。使用时 lxml.etree.parse 这可以通过使用 recover=True 自定义解析器的选项，但是 iterparse 不接受自定义解析器。 （也可以看看： 这个问题）
我当前的代码如下所示：
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()
错误时 iterparse 遇到一个坏人（在这种情况下，它是一个 ^Y）：
lxml.etree.XMLSyntaxError: Input is not proper UTF-8, indicate encoding !
Bytes: 0x19 0x73 0x20 0x65, line 949490, column 25
我甚至不想解码这些数据，我可以放弃它。但是我不知道有什么方法可以跳过这个元素 - 我试过了 context.next 和 continue 在try / except语句中。
任何帮助，将不胜感激！
更新
一些额外的信息：
这是iterparse失败的行：
<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>
根据etree，错误发生在字节 0x19 0x73 0x20 0x65。
根据hexedit， 19 73 20 65 转换为ASCII .s e
该 . 在这个地方应该是撇号（foto的）。
我也找到了 这个问题，这不提供解决方案。
如果问题是实际的字符编码问题，而不是格式错误的XML，最简单，也可能是最有效的解决方案是在文件读取点处理它。喜欢这个：
import codecs
from lxml import etree
events = ("start", "end")
reader = codecs.EncodedFile(xmlfile, 'utf8', 'utf8', 'replace')
context = etree.iterparse(reader, events=events)
这将导致非UTF8可读字节被'？'替换。还有其他一些选择;有关更多信息，请参阅编解码器模块的文档。
由于问题是由于 非法 XML字符，在这种情况下是0x19字节，我决定剥离它们。我找到了以下正则表达式 在这个网站上：
invalid_xml = re.compile(u'[\x00-\x08\x0B-\x0C\x0E-\x1F\x7F]')
我编写了这段代码，在保存xml提要时删除非法字节：
conn = urllib2.urlopen(xmlfeed)
xmlfile = open('output', 'w')
while True:
data = conn.read(4096)
if data:
newdata, count = invalid_xml.subn('', data)
if count > 0 :
print 'Removed %s illegal characters from XML feed' % count
xmlfile.write(newdata)
else:
break
xmlfile.close()
我使用了类似的代码：
illegalxml = re.compile(u'[\x00-\x08\x0b\x0c\x0e-\x1F\uD800-\uDFFF\uFFFE\uFFFF]')
...
illegalxml.sub("?",mystring)
...
但是，这不适用于所有可能的字符串（400 + MB字符串）。
对于最终解决方案，我使用解码/编码如下：
outxml = "C:/path_to/xml_output_file.xml"
with open(outxml, "w") as out:
valid_xmlstring = mystring.encode('latin1','xmlcharrefreplace').decode('utf8','xmlcharrefreplace')
out.write(valid_xmlstring)
我对char有一个类似的问题“？”在我的xml文件中，它也是无效的xmlchar。这是因为在xml版本1.0中，不允许使用＆＃x0，＆＃xE等字符。规则是不允许所有字符组成为正则表达式'＆＃x [0-1]？[0-9A-E]'。我的目的是根据Rik的答案纠正一个巨大的xml文件中的无效字符，我改进如下：
import re
invalid_xml = re.compile(r'&#x[0-1]?[0-9a-eA-E];')
new_file = open('new_file.xml','w')
with open('old_file.xml') as f:
for line in f:
nline, count = invalid_xml.subn('',line)
new_file.write(nline)
new_file.close()