详解lxml处理xml时的字符编码问题
16lz
2021-01-22
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
更多相关文章
- 详解XML命名空间(XML Namespaces)介绍以及节点读取方法的示例代码
- xml创建根节点、子节点的示例代码分享
- 详解JSTL读取xml中文乱码解决的案例
- java通过XPath解析xml节点的代码详解
- 有关xml节点的文章推荐10篇
- Vue.js流程图插件 可自定义流程节点事件
- hadoop 3节点高可用分布式安装
- 【从0到1学习边缘容器系列-4】弱网环境利器之分布式节点状态判定
- 分布式作业 Elastic-Job-Lite 源码分析 —— 主节点选举