用Python的處理xml時的字符編碼問題

為了簡化問題，就把xml的內容簡化為如下的形式:

<code><document>/<document>
/<code>

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

<code>lxml.etree.XMLSyntaxError: Extra content at the end of the document
/<code>

此時對應的Python腳本為：

<code>tst = u'<document>/<document>'
for event,element in etree.iterparse(BytesIO(tst.encode('utf-8'))):
    print("%s, %s" % (element.tag, element.text))
/<code>

不過簡化之前，報的是另外一個異常

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

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

<code>tst = u'<document>/<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))
/<code>

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：

<code>da, 中文，就是任性
DOCUMENT, None/<code>

閱讀更多 蘇了麼 的文章

關鍵字: Python 字符 XML