DBLP数据集XML使用python SAX解析 作者名字显示错误问题

问题描述

最近在做实验时处理DBLP XML数据集时，作者名字部分显示不全，比如一些带有特殊符号的作者Michael H. Böhlen解析完后就会变成Michael H. Böhlen。这样会导致一系列的问题，比如解析出来的作者数目比原来的少，原先不同名的作者解析后可能变成同名等等。

解决方法

参考链接：https://blog.csdn.net/wisemanchen/article/details/109140755

之所以出现这个问题是因为dblp数据集中许多作者的名字里面含有阿拉伯文等特殊字符，在xml文件中显示为&xxxl; 具体是作为外部实体定义在“dblp.dtd”文件中，要想正确解析外部实体，需要额外用到class xml.sax.handler.EntityResolver中提供的EntityResolver.resolveEntity(publicId, systemId)函数。另外，setFeature(feature_external_ges, True)这个设置可能也会有影响。

1. 首先引入包

from xml.sax.handler import feature_external_ges

2. 在自定义的handle类中使用解析外部实体的函数 resolveEntity(publicId, systemId) 函数