为了简化问题,就把xml的内容简化为如下的形式:
<?xml version="1.0" encoding="gbk"?> <DOCUMENT> <da><![CDATA[中文,就是任性]]></da> </DOCUMENT>
它的encoding为gbk,其中的节点有一个为中文字符 使用lxml提取节点的值时出现了如下的异常
lxml.etree.XMLSyntaxError: Extra content at the end of the document
此时对应的Python脚本为:
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))
不过简化之前,报的是另外一个异常
lxml.etree.XMLSyntaxError: input conversion failed due to input error, bytes 0x8B 0x2C 0xE6 0x9D
不论异常是哪一个,猜测还是和字符的编码形式有关。
经过各种尝试无果,后来在stackoverflow上看到这篇文章,文中提到的问题和xml中的encoding值有关,尝试了增加了一段代码
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))
增加了一个替换的语句,将之前的encoding="gbk"替换成encoding:"utf-8" 于是终于得到了结果:
da, 中文,就是任性 DOCUMENT, None
Atas ialah kandungan terperinci lxml处理xml时的字符编码问题. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!