HTTP 与 Web 标准 / 系统课时

未转义字符为什么解析失败

未转义字符为什么解析失败

XML 解析器不仅读取标签,也会把文本节点和属性值按语法规则扫描。只要内容中的特殊字符被误当成标记起点,整个文档就可能立即停止解析。本节用最小示例定位这类错误,并用实体引用修复。

学习目标

  • 识别文本节点和属性值中必须转义的字符
  • 使用实体引用修复非法 XML 内容
  • 根据解析错误快速定位未转义字符

为什么普通字符会变成语法

XML 使用 <、>、& 等字符表达标记结构,其中 < 会开始标签,& 会开始实体引用。因此它们出现在普通数据中时,解析器不会自动猜测“这里只是文本”。

最常见的错误是把比较符号或带 & 的文本直接写进元素内容或属性值。例如下面的文件中,< 被解析器当成了新标签的开始。

python
from xml.etree import ElementTree as ET

xml = "<rule>price < 100 & active</rule>"

try:
    ET.fromstring(xml)
except ET.ParseError as exc:
    print(type(exc).__name__)

预期输出:

text
ParseError

不同解析器给出的错误位置和描述可能不同,但核心原因相同:内容破坏了 XML 的标记语法。

哪些字符需要转义

在 XML 文本中,< 必须写成 &lt;,& 必须写成 &amp;。> 通常可以直接出现,但在需要避免形成 ]]> 等特殊序列时也可写成 &gt;。

属性值还要注意引号。如果属性用双引号包围,那么内部双引号应写成 &quot;;如果用单引号包围,那么内部单引号可写成 &apos;。

原字符 实体引用 常见位置
& &amp; 文本、属性
< &lt; 文本、属性
> &gt; 需要显式转义时
" &quot; 双引号属性值
' &apos; 单引号属性值

修复并验证解析结果

修复时不要删除业务字符,而应把语法敏感字符改成对应实体引用。解析器读取后会自动还原成原始字符。

python
from xml.etree import ElementTree as ET

xml = "<rule enabled=\"yes\">price &lt; 100 &amp; active</rule>"
root = ET.fromstring(xml)

print(root.tag)
print(root.attrib["enabled"])
print(root.text)

预期输出:

text
rule
yes
price < 100 & active

实体引用只改变 XML 的书写方式,不改变解析后的业务数据。因此应用程序读取 root.text 时,得到的仍然是 < 和 &。

属性值中的常见陷阱

属性值的边界由引号决定。如果业务数据本身包含与外层相同的引号,必须使用实体引用,否则解析器会提前认为属性已经结束。

例如,下面这种写法是非法的:<book title="He said "XML""/>。可以改为 <book title="He said &quot;XML&quot;"/>,也可以换用单引号包围整个属性值。

另一个常见误区是只转义 <,却遗漏 &。只要业务字符串中出现裸 &,解析器就会尝试把后面的内容当成实体名称。因此诸如 R&D 也必须写成 R&amp;D。

排查顺序

遇到“not well-formed”“invalid token”或类似错误时,先根据解析器给出的行号和列号检查附近的 <、& 和属性引号。然后确认这些字符属于 XML 结构还是业务数据;如果属于业务数据,就使用实体引用。

如果 XML 是程序生成的,优先让 XML 库负责序列化,而不是手工拼接字符串。库通常会自动完成必要转义,能从源头减少这类语法错误。

按自己的节奏,确认真正理解。

目录与阅读设置

阅读设置

17

记录一个想法

未转义字符为什么解析失败

0 / 10000 · 笔记保存到账号。未提交的修改会在关闭、离开或刷新后丢失。

登录哪都通