lxml處理xml時的字元編碼問題

agentwx發表於2015-01-28
XML字元

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>

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

此時對應的Python指令碼為：

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))

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

不論異常是哪一個，猜測還是和字元的編碼形式有關。
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，嘗試了增加了一段程式碼

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))

增加了一個替換的語句，將之前的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

相關文章