詳解lxml處理xml時的字元編碼問題-XML/RSS教程-PHP中文網

詳解lxml處理xml時的字元編碼問題

黄舟

發布： 2017-03-17 16:53:25

原創

2508 人瀏覽過

為了簡化問題，就把xml的內容簡化為如下的形式:

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

登入後複製

它的encoding為gbk，其中的節點有一個為中文字元
使用lxml提取節點的值時出現瞭如下的異常

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

登入後複製

此時對應的Python腳本為：

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))

登入後複製

不過簡化之前，報的是另外一個異常

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

登入後複製

不論異常是哪一個，猜測還是和字符的編碼形式有關。
經過各種嘗試無果，後來在stackoverflow上看到這篇文章，文中提到的問題和xml中的encoding值有關，嘗試了增加了一段代碼

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))

登入後複製

增加了一個替換的語句，將先前的encoding="gbk"替換成encoding:"utf-8"
於是終於得到了結果：

da, 中文，就是任性
DOCUMENT, None

登入後複製

以上是詳解lxml處理xml時的字元編碼問題的詳細內容。更多資訊請關注PHP中文網其他相關文章！