Explication détaillée du problème de codage des caractères lorsque lxml traite XML

Afin de simplifier le problème, le contenu de xml est simplifié sous la forme suivante :

<?xml version="1.0" encoding="gbk"?><DOCUMENT><da><![CDATA[中文，就是任性]]></da></DOCUMENT>

Son encodage est gbk, et l'un des nœuds est un caractère chinois
Lors de l'utilisation de lxml pour extraire la valeur d'un nœud, l'exception suivante s'est produite

lxml.etree.XMLSyntaxError: Extra content at the end of the document

Le script Python correspondant à ce moment est :

tst = u'<?xml version="1.0" encoding="gbk"?><DOCUMENT><da><![CDATA[中文，就是任性]]></da></DOCUMENT>'
for event,element in etree.iterparse(BytesIO(tst.encode('utf-8'))):
    print("%s, %s" % (element.tag, element.text))

Cependant, avant la simplification, il était signalé C'est une autre exception

lxml.etree.XMLSyntaxError: input conversion failed due to input error, bytes 0x8B 0x2C 0xE6 0x9D

Peu importe de quelle exception il s'agit, elle est probablement liée à la forme d'encodage des caractères.
Après diverses tentatives infructueuses, j'ai vu plus tard cet article sur stackoverflow. Le problème mentionné dans l'article est lié à la valeur d'encodage en XML. J'ai essayé d'ajouter un bout de code

tst = u'<?xml version="1.0" encoding="gbk"?><DOCUMENT><da><![CDATA[中文，就是任性]]></da></DOCUMENT>'
tst = tst.replace('encoding="gbk"', 'encoding="utf-8"')
for event,element in etree.iterparse(BytesIO(tst.encode('utf-8'))):
    print("%s, %s" % (element.tag, element.text))

A. instruction de remplacement, en remplaçant le précédent encoding="gbk" par encoding:"utf-8"
Nous avons donc finalement obtenu le résultat :

da, 中文，就是任性
DOCUMENT, None

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!