如何使用ElementTree正確解析utf-8 xml？

Question

我需要幫助，以瞭解爲什麼解析我的xml文件*與xml.etree.ElementTree會產生以下錯誤。

* 我的測試xml文件包含阿拉伯字符。

任務： 打開並解析utf8_file.xml文件。

我第一次嘗試：

import xml.etree.ElementTree as etree 
with codecs.open('utf8_file.xml', 'r', encoding='utf-8') as utf8_file: 
    xml_tree = etree.parse(utf8_file) 

結果1：

UnicodeEncodeError: 'ascii' codec can't encode characters in position 236-238: ordinal not in range(128) 

我的第二次嘗試：

import xml.etree.ElementTree as etree 
with codecs.open('utf8_file.xml', 'r', encoding='utf-8') as utf8_file: 
    xml_string = etree.tostring(utf8_file, encoding='utf-8', method='xml') 
    xml_tree = etree.fromstring(xml_string) 

結果2：

AttributeError: 'file' object has no attribute 'getiterator' 

請解釋一下上面的錯誤，並在可能的解決方案發表意見。

Answer 1

將解碼字節留給解析器;做不解碼第一：

import xml.etree.ElementTree as etree 
with open('utf8_file.xml', 'r') as xml_file: 
    xml_tree = etree.parse(xml_file) 

的XML文件必須包含在第一線處理解析器解碼的足夠信息。如果標題丟失，解析器必須假定使用了UTF-8。

因爲它是保存此信息的XML標頭，所以解析器有責任進行所有解碼。

您的第一次嘗試失敗，因爲Python試圖再次編碼 Unicode值，以便解析器可以按預期處理字節字符串。第二次嘗試失敗，因爲etree.tostring()需要解析樹作爲第一個參數，而不是unicode字符串。