Problèmes de codage de 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 . Utilisez lxml pour extraire L'exception suivante s'est produite lorsque la valeur du nœud était

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

Le script Python correspondant à ce moment était :

tst = u&#39;<?xml version="1.0" encoding="gbk"?><DOCUMENT><da><![CDATA[中文，就是任性]]></da></DOCUMENT>&#39;
for event,element in etree.iterparse(BytesIO(tst.encode(&#39;utf-8&#39;))):
    print("%s, %s" % (element.tag, element.text))

Cependant. , avant la simplification, une autre était signalée 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 le stackoverflow Le problème mentionné dans l'article est lié à la valeur d'encodage en XML. J'ai essayé d'ajouter un morceau de code

tst = u&#39;<?xml version="1.0" encoding="gbk"?><DOCUMENT><da><![CDATA[中文，就是任性]]></da></DOCUMENT>&#39;
tst = tst.replace(&#39;encoding="gbk"&#39;, &#39;encoding="utf-8"&#39;)
for event,element in etree.iterparse(BytesIO(tst.encode(&#39;utf-8&#39;))):
    print("%s, %s" % (element.tag, element.text))

Ajout d'une instruction de remplacement pour remplacer le précédent encoding="gbk" par encoding:"utf-8" et 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!