在 Python 3 中使用开放任意标签解析 SGML

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

我正在使用 Python 3，并且无法找到现有库的解决方案来解析带有开放标签的 SGML 文件。 SGML 允许隐式闭合标签。当尝试使用 LXML、XML 或 beautiful soup 解析示例文件时，我最终得到的结果是隐式关闭标签在文件末尾而不是在行末尾关闭。

例如：

<COMPANY>Awesome Corp
<FORM> 24-7
<ADDRESS>
<STREET>101 PARSNIP LN
<ZIP>31337
</ADDRESS>

这最终被解释为：

<COMPANY>Awesome Corp
<FORM> 24-7
<ADDRESS>
<STREET>101 PARSNIP LN
<ZIP>31337
</ADDRESS>
</ZIP>
</STREET>
</FORM>
</COMPANY>

但是，我需要将其解释为：

<COMPANY>Awesome Corp</COMPANY>  
<FORM> 24-7</FORM>
<ADDRESS>
<STREET>101 PARSNIP LN</STREET>
<ZIP>31337</ZIP>
</ADDRESS>

如果有一个非默认解析器传递给 LXML/BS4 可以处理这个问题，我就错过了。

如果您可以找到您使用的文档的 SGML DTD，解决方案可能是使用osxSGML 到 XML 转换器OpenSP SGML 工具包 http://openjade.sourceforge.net/doc/index.htm将文档转换为 XML。

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

<!DOCTYPE ROOT SYSTEM "company.dtd">
<ROOT>
<COMPANY>Awesome Corp
<FORM> 24-7
<ADDRESS>
<STREET>101 PARSNIP LN
<ZIP>31337
</ADDRESS>

DTD (company.dtd) 如下所示：

<!ELEMENT ROOT       -  o (COMPANY, FORM, ADDRESS) >
<!ELEMENT COMPANY    -  o (#PCDATA) >
<!ELEMENT FORM       -  o (#PCDATA) >
<!ELEMENT ADDRESS    -  - (STREET, ZIP) >
<!ELEMENT STREET     -  o (#PCDATA) >
<!ELEMENT ZIP        -  o (#PCDATA) >

The - obit表示结束标记可以省略。

SGML 文档可以用以下方式解析osx，并且输出可以格式化为xmllint， 如下：

osx company.sgml | xmllint --format -

上述命令的输出：

<?xml version="1.0"?>
<ROOT>
  <COMPANY>Awesome Corp</COMPANY>
  <FORM> 24-7</FORM>
  <ADDRESS>
    <STREET>101 PARSNIP LN</STREET>
    <ZIP>31337</ZIP>
  </ADDRESS>
</ROOT>

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 http://www.sec.gov/info/edgar/pdsdissemspec910.pdf（我通过找到它这个答案 https://stackoverflow.com/a/12431072/407651）。但链接的 SGML 文档包含元素 (SEC-HEADER，例如）PDF 文件中未提及的内容。