在Python 3中使用打开的任意标记解析SGML – 开发百科-程序代码问答平台

我正在尝试分析一个文件，例如：
http://www.sec.gov/Archives/edgar/data/1409896/000118143112051484/0001181431-12-051484.hdr.sgml

我使用的是Python3，无法通过现有库找到解析带有open标记的SGML文件的解决方案。SGML允许隐式关闭标记。当试图用LXML、XML或beautiful-soup解析示例文件时，隐式关闭的标记在文件的末尾而不是行的末尾被关闭

例如：

&lt；公司&gt；真棒公司
&lt；表格&gt；24-7
&lt；地址&gt；
&lt；街道&gt；101欧防风
&lt；拉链&gt；31337
&lt/地址&gt；

这最终被解释为：

&lt；公司&gt；真棒公司
&lt；表格&gt；24-7
&lt；地址&gt；
&lt；街道&gt；101欧防风
&lt；拉链&gt；31337
&lt/地址&gt；
&lt/拉链&gt；
&lt/街道&gt；
&lt/表格&gt；
&lt/公司&gt；

但是，我需要将其解释为：

&lt；公司&gt；威盛公司&lt/公司&gt；
&lt；表格&gt；24-7日&lt/表格&gt；
&lt；地址&gt；
&lt；街道&gt；101欧防风LN&lt/街道&gt；
&lt；拉链&gt；31337&lt/拉链&gt；
&lt/地址&gt；

如果要传递给LXML/BS4的非默认解析器可以处理这个问题，那么我就缺少它

如果您可以为您使用的文档找到SGML DTD，那么解决方案可能是使用OpenSP SGML工具包中的osxSGML-to-XML转换器将文档转换为XML

下面是一个简单的例子。假设我们有以下SGML文档（company.SGML；带有根元素）：

&lt；！DOCTYPE根系统“company.dtd”&gt；
&lt；根&gt；
&lt；公司&gt；真棒公司
&lt；表格&gt；24-7
&lt；地址&gt；
&lt；街道&gt；101欧防风
&lt；拉链&gt；31337
&lt/地址&gt；

DTD（company.DTD）如下所示：

&lt；！元素根-o（公司、表格、地址）&gt；
&lt；！元素公司-o（#PCDATA）&gt；
&lt；！元素形式-o（#PCDATA）&gt；
&lt；！元素地址---（街道、邮政编码）&gt；
&lt；！元素街-o（#PCDATA）&gt；
&lt；！元素ZIP-o（#PCDATA）&gt；

-o位表示可以省略结束标记

SGML文档可以用osx进行解析，输出可以用xmllint进行格式化，如下所示：

osx company.sgml | xmllint–格式-

上述命令的输出：

&lt；？xml version=“1.0”？&gt；
&lt；根&gt；
&lt；公司&gt；威盛公司&lt/公司&gt；
&lt；表格&gt；24-7日&lt/表格&gt；
&lt；地址&gt；
&lt；街道&gt；101欧防风LN&lt/街道&gt；
&lt；拉链&gt；31337&lt/拉链&gt；
&lt/地址&gt；
&lt/根&gt；

现在我们有了格式良好的XML，可以使用lxml或其他XML工具进行处理

我不知道您链接到的文档是否有完整的DTD。以下PDF文件包含有关EDGAR的相关信息，包括可能有用的DTD：http://www.sec.gov/info/edgar/pdsdissemspec910.pdf （我是通过这个答案找到的）。但是链接的SGML文档包含PDF文件中未提及的元素（SEC-HEADER）

相关文章：

发表评论 取消回复

发表评论取消回复