Ошибка «не удалось загрузить внешний объект» при использовании Python lxml

Я пытаюсь проанализировать XML-документ, полученный из Интернета, но после анализа происходит сбой с этой ошибкой:

': failed to load external entity "<?xml version="1.0" encoding="UTF-8"?>
<?xml-stylesheet type="text/xsl" href="GreenButtonDataStyleSheet.xslt"?>

Это вторая строка загружаемого XML. Есть ли способ предотвратить попытку парсера загрузить внешний объект или другой способ решить эту проблему? Это код, который у меня есть до сих пор:

import urllib2
import lxml.etree as etree

file = urllib2.urlopen("http://www.greenbuttondata.org/data/15MinLP_15Days.xml")
data = file.read()
file.close()

tree = etree.parse(data)

python xml elementtree lxml
person daveeloo    schedule 04.05.2012    source источник

Ответы (4)


arrow_upward
27
arrow_downward

В соответствии с тем, что сказал mzjn, если вы хотите передать строку в etree.parse(), просто оберните ее в объект StringIO.

Пример:

from lxml import etree
from StringIO import StringIO

myString = "<html><p>blah blah blah</p></html>"

tree = etree.parse(StringIO(myString))

Этот метод используется в документации lxml.

person kevin    schedule 20.10.2012
comment
Для python3: from io import StringIO - person Adversus; 19.09.2017

arrow_upward
15
arrow_downward

etree.parse(source) ожидает, что source будет одним из

  • имя файла/путь
  • файловый объект
  • файлоподобный объект
  • URL-адрес с использованием протокола HTTP или FTP

Проблема в том, что вы предоставляете содержимое XML в виде строки.

Можно и без urllib2.urlopen(). Просто используйте

tree = etree.parse("http://www.greenbuttondata.org/data/15MinLP_15Days.xml")

Демонстрация (с использованием lxml 2.3.4):

>>> from lxml import etree
>>> tree = etree.parse("http://www.greenbuttondata.org/data/15MinLP_15Days.xml")
>>> tree.getroot()
<Element {http://www.w3.org/2005/Atom}feed at 0xedaa08>
>>>

В конкурирующем ответе предполагается, что lxml не работает из-за таблицы стилей, на которую ссылается инструкция обработки в документе. Но проблема не в этом. lxml не пытается загрузить таблицу стилей, и XML-документ прекрасно анализируется, если вы делаете, как описано выше.

Если вы действительно хотите загрузить таблицу стилей, вы должны указать это явно. Нужно что-то вроде этого:

from lxml import etree

tree = etree.parse("http://www.greenbuttondata.org/data/15MinLP_15Days.xml")

# Create an _XSLTProcessingInstruction object
pi = tree.xpath("//processing-instruction()")[0] 

# Parse the stylesheet and return an ElementTree
xsl = pi.parseXSL()
person mzjn    schedule 06.05.2012
comment
@Duke: Спасибо! Приятно наконец получить положительные отзывы. - person mzjn; 07.08.2012
comment
Я получаю эту ошибку при анализе URL-адреса. Любая идея, как отключить загрузку этих внешних объектов? Меня не интересуют таблицы стилей, я просто хочу анализировать якоря со страницы. - person MightyPork; 01.02.2014
comment
@MightyPork: этот вопрос на самом деле не о внешних объектах; сообщение об ошибке вводит в заблуждение. Проблема здесь в том, что OP использует etree.parse() для строкового объекта, что не работает. Если у вас есть связанная проблема, я думаю, вам следует задать новый вопрос. - person mzjn; 01.02.2014
comment
@mzjn Я действительно спрашивал, но все советы, которые я получил, заключались в том, чтобы использовать другую библиотеку для получения URL-адреса. Я думал, что вы лучше понимаете проблему и можете помочь. - person MightyPork; 01.02.2014
comment
Да downvoter, это очень вероятно проблема. Это было в моем случае. - person Iharob Al Asimi; 29.09.2015
comment
etree.parse('google.com'): OSError: Ошибка чтения файла 'google.com': не удалось загрузить внешний объект google.com - person vault; 11.11.2016
comment
В моем случае я получил ошибку, потому что попытался открыть URL-адрес https с помощью синтаксического анализа. - person Shane Lu; 01.01.2018
comment
@ShaneLu: Да, HTTPS почему-то не работает. Поддерживаются только протоколы HTTP и FTP (как указано в документации lxml). - person mzjn; 01.01.2018

arrow_upward
3
arrow_downward

В документах lxml для синтаксического анализа сказано: Для синтаксического анализа строки используйте вместо этого функцию fromstring().

parse(...)
    parse(source, parser=None, base_url=None)

    Return an ElementTree object loaded with source elements.  If no parser
    is provided as second argument, the default parser is used.

    The ``source`` can be any of the following:

    - a file name/path
    - a file object
    - a file-like object
    - a URL using the HTTP or FTP protocol

    To parse from a string, use the ``fromstring()`` function instead.

    Note that it is generally faster to parse from a file path or URL
    than from an open file object or file-like object.  Transparent
    decompression from gzip compressed sources is supported (unless
    explicitly disabled in libxml2).
person jrwren    schedule 25.06.2013

arrow_upward
2
arrow_downward

Вы получаете эту ошибку, потому что XML, который вы загружаете, ссылается на внешний ресурс:

<?xml-stylesheet type="text/xsl" href="GreenButtonDataStyleSheet.xslt"?>

LXML не знает, как разрешить GreenButtonDataStyleSheet.xslt. Вы и я, вероятно, понимаем, что он будет доступен относительно вашего исходного URL-адреса, http://www.greenbuttondata.org/data/15MinLP_15Days.xml... хитрость заключается в том, чтобы сообщить lxml, как его загрузить.

документация lxml включает раздел под названием "Загрузка документов и преобразование URL", в котором содержится практически вся необходимая информация.

person larsks    schedule 05.05.2012
comment
Не знаете, можно ли отключить загрузку всех внешних ресурсов? Я смотрел в документации, но ничего не нашел. - person daveeloo; 05.05.2012
comment
Вы получаете эту ошибку, потому что загружаемый XML ссылается на внешний ресурс. Нет. Вы получаете ошибку не поэтому. Пожалуйста, смотрите мой ответ. - person mzjn; 11.07.2012