的Xml Python的 - 沒有很好地形成

Question

我有這樣的代碼：

import requests 
from xml.dom.minidom import parseString 
site = 'test.com' 
r = requests.get('http://bar-navig.yandex.ru/u?ver=2&url=http://%s&show=1' % (site)) 
#print r.text.encode('utf-8') 
xmldoc = parseString(r.text.encode('utf-8')) 
print xmldoc.getElementsByTagName('tcy')[0].attributes['value'].value 

所以，它的工作原理，但如果我有site，例如，'vk.com'或'google.ru'，我有一個錯誤：xml.parsers.expat.ExpatError: not well-formed (invalid token)。

如何解決？謝謝。

Answer 1

這是一個編碼問題。除非另有規定，否則XML應該是基於ASCII的。此XML源特別指定它編碼爲windows-1251。

試試這個：

parseString(r.text.encode('windows-1251')) 

那麼它可以被解析。

Minidom不是很聰明，否則當通過unicode（這不起作用）時，它可以自己弄清楚。

Answer 2

除了iso-8859-1之外，我嘗試使用'utf-8'和'utf-16'的編碼，但它沒有工作（對於印度的一些網站，儘管我沒有注意到任何非ascii在他們的字符）。但我轉向硒，一切都解決了。避免minidom並不難，因爲硒的界面與minidom非常相似。乾杯!