Comments / Profile of awaik / Habr

Alex Awaikin @awaik

Пользователь

Stack Overflow умирает? Как ИИ вытесняет живые сообщества разработчиков

Вот вам для примера, что выдает Клод 4. Проверять не стал, но интересна ваша проверка этого ответа.

Скрытый текст

Проблема в том, что xmltodict по умолчанию не сохраняет информацию о том, что содержимое было в CDATA секции. Параметр force_cdata=True заставляет парсер обрабатывать все текстовые узлы как потенциальные CDATA, но не сохраняет оригинальную структуру.

Вот несколько решений:

Решение 1: Использование process_namespaces=False и strip_whitespace=False

import xmltodict

data = """<node1>
    <node2 id='test'><![CDATA[test]]></node2>
    <node3 id='test'>test</node3>
</node1>"""

# Парсинг с сохранением CDATA информации
parsed = xmltodict.parse(data, process_namespaces=False, strip_whitespace=False)
print("Parsed:", parsed)

# Для восстановления CDATA нужно вручную пометить узлы
parsed['node1']['node2']['#cdata-section'] = parsed['node1']['node2'].pop('#text')

print("Modified:", parsed)
print("\nUnparsed:")
print(xmltodict.unparse(parsed, pretty=True))

Решение 2: Кастомная обработка с отслеживанием CDATA

import xmltodict
import xml.etree.ElementTree as ET

def preserve_cdata_parse(xml_string):
    # Сначала найдем все CDATA секции
    cdata_nodes = {}
    
    # Простой способ найти CDATA (для более сложных случаев нужен proper XML parser)
    import re
    cdata_pattern = r'<([^>]+)><!\[CDATA\[(.*?)\]\]></\1>'
    matches = re.findall(cdata_pattern, xml_string, re.DOTALL)
    
    for match in matches:
        tag_info = match[0]
        cdata_content = match[1]
        # Сохраняем информацию о том, что это CDATA
        if 'id=' in tag_info:
            id_match = re.search(r"id='([^']*)'", tag_info)
            if id_match:
                cdata_nodes[id_match.group(1)] = cdata_content
    
    # Парсим XML
    parsed = xmltodict.parse(xml_string)
    
    # Восстанавливаем CDATA секции
    def restore_cdata(obj, cdata_map):
        if isinstance(obj, dict):
            for key, value in obj.items():
                if isinstance(value, dict) and '@id' in value and value['@id'] in cdata_map:
                    # Заменяем #text на #cdata-section
                    if '#text' in value:
                        value['#cdata-section'] = value.pop('#text')
                restore_cdata(value, cdata_map)
        elif isinstance(obj, list):
            for item in obj:
                restore_cdata(item, cdata_map)
    
    restore_cdata(parsed, cdata_nodes)
    return parsed

# Использование
data = """<node1>
    <node2 id='test'><![CDATA[test]]></node2>
    <node3 id='test'>test</node3>
</node1>"""

parsed = preserve_cdata_parse(data)
print("Parsed with CDATA preservation:", parsed)
print("\nUnparsed:")
print(xmltodict.unparse(parsed, pretty=True))

Решение 3: Использование lxml (более надежное)

from lxml import etree
import xmltodict

def parse_with_cdata_preservation(xml_string):
    # Используем lxml для более точного парсинга
    parser = etree.XMLParser(strip_cdata=False)
    root = etree.fromstring(xml_string.encode('utf-8'), parser)
    
    def element_to_dict(element):
        result = {}
        
        # Добавляем атрибуты
        if element.attrib:
            for key, value in element.attrib.items():
                result[f'@{key}'] = value
        
        # Проверяем текстовое содержимое
        if element.text:
            # Проверяем, является ли это CDATA
            original_xml = etree.tostring(element, encoding='unicode')
            if '<![CDATA[' in original_xml:
                result['#cdata-section'] = element.text
            else:
                result['#text'] = element.text
        
        # Обрабатываем дочерние элементы
        for child in element:
            child_dict = element_to_dict(child)
            if child.tag in result:
                if not isinstance(result[child.tag], list):
                    result[child.tag] = [result[child.tag]]
                result[child.tag].append(child_dict)
            else:
                result[child.tag] = child_dict
        
        return result
    
    return {root.tag: element_to_dict(root)}

# Использование
data = """<node1>
    <node2 id='test'><![CDATA[test]]></node2>
    <node3 id='test'>test</node3>
</node1>"""

parsed = parse_with_cdata_preservation(data)
print("Parsed:", parsed)
print("\nUnparsed:")
print(xmltodict.unparse(parsed, pretty=True))

Самое простое решение для вашего случая:

import xmltodict

data = """<node1>
    <node2 id='test'><![CDATA[test]]></node2>
    <node3 id='test'>test</node3>
</node1>"""

# Парсим
parsed = xmltodict.parse(data)

# Вручную помечаем node2 как CDATA
parsed['node1']['node2']['#cdata-section'] = parsed['node1']['node2'].pop('#text')

print("Result:")
print(xmltodict.unparse(parsed, pretty=True))

Это даст вам:

<?xml version="1.0" encoding="utf-8"?>
<node1>
    <node2 id="test"><![CDATA[test]]></node2>
    <node3 id="test">test</node3>
</node1>

Основная проблема в том, что xmltodict не различает CDATA и обычный текст на уровне представления данных. Вам нужно либо вручную помечать узлы, либо использовать более сложную логику для автоматического определения CDATA секций.