怎么用lxml處理xml時的字符編碼問題

本篇內容主要講解“怎么用lxml處理xml時的字符編碼問題”，感興趣的朋友不妨來看看。本文介紹的方法操作簡單快捷，實用性強。下面就讓小編來帶大家學習“怎么用lxml處理xml時的字符編碼問題”吧!

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符
使用lxml提取節點的值時出現了如下的異常

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

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))

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，猜測還是和字符的編碼形式有關。
經過各種嘗試無果，后來在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))

增加了一個替換的語句，將之前的encoding="gbk"替換成encoding:"utf-8"
于是終于得到了結果：

da, 中文，就是任性
DOCUMENT, None

到此，相信大家對“怎么用lxml處理xml時的字符編碼問題”有了更深的了解，不妨來實際操作一番吧！這里是億速云網站，更多相關內容可以進入相關頻道進行查詢，關注我們，繼續學習！