怎么用lxml處理xml時(shí)的字符編碼問(wèn)題

本篇內容主要講解“怎么用lxml處理xml時(shí)的字符編碼問(wèn)題”，感興趣的朋友不妨來(lái)看看。本文介紹的方法操作簡(jiǎn)單快捷，實(shí)用性強。下面就讓小編來(lái)帶大家學(xué)習“怎么用lxml處理xml時(shí)的字符編碼問(wèn)題”吧!

為了簡(jiǎn)化問(wèn)題，就把xml的內容簡(jiǎn)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(diǎn)有一個(gè)為中文字符
使用lxml提取節點(diǎn)的值時(shí)出現了如下的異常

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

此時(shí)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(guò)簡(jiǎn)化之前，報的是另外一個(gè)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(gè)，猜測還是和字符的編碼形式有關(guān)。
經(jīng)過(guò)各種嘗試無(wú)果，后來(lái)在stackoverflow上看到這篇文章，文中提到的問(wèn)題和xml中的encoding值有關(guān)，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(gè)替換的語(yǔ)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