我需要解析并重建解析器使用的文件格式,解析器使用一种只能慈善地描述为XML的语言.我意识到符合标准的XML并不关心CDATA或空白,但是不幸的是,此应用程序要求我同时关心这两个…

我使用的是lxml.etree,因为它非常擅长保存CDATA.

例如：

s = '''
<root>
  <item>
     <![CDATA[whatever]]>
  </item>
</root>'''

import lxml.etree as et
et.fromstring(s, et.XMLParser(strip_cdata=False))
item = root.find('item')
print et.tostring(item)

打印：

<item>
    <![CDATA[whatever]]>
  </item>

lxml完全保留了< item>的格式.标签…太好了！

问题是我没有任何方法可以准确地指出CDATA在标记文本中的开始和结束位置.属性item.text不能确切指示文本的哪一部分包装在CDATA中：

item.text
 ==> '\n     whatever\n  '

因此,如果我修改它,并尝试将其作为CDATA吐回去,那么我会丢失空白的位置：

item.text = CDATA('foobar')
et.tostring(item)
 ==> '<item><![CDATA[foobar]]></item>\n'

显然,lxml“知道” CDATA在节点文本内的位置,因为它使用node.tostring()保留了它.但是,我无法找到一种方法来反省文本的哪些部分是CDATA,哪些不是.有什么建议吗？

解决方法:

我不确定lxml,但是可以通过最小化更改CDATA节并保留周围的空格,因为CDATASections是单独的节点类型.

>>> from xml.dom import minidom
>>> data = minidom.parseString(s)
>>> parts = data.getElementsByTagName('item')
>>> item = parts[0]
>>> item.childNodes
[<DOM Text node "u'\n     '">, <DOM CDATASection node "u'whatever'">, <DOM Text node "u'\n  '">]
>>> item.childNodes[1].nodeValue = 'changed'
>>> print item.toxml()
<item>
     <![CDATA[changed]]>
  </item>

有关更多详细信息,请参见xml.dom.minidom: Getting CDATA values.