Question

我有一个XML文件的文件夹，我想解析。我需要从这些文件的元素中获取文本。它们将被收集并打印到CSV文件中，其中元素列在列中。

也就是说，对于我的许多XML文件，这个过程很顺利，我得到了我想要的输出。执行此操作的代码是：

import os, re, csv, string, operator
import xml.etree.cElementTree as ET
import codecs
def parseEO(doc):
    #getting the basic structure
    tree = ET.ElementTree(file=doc)
    root = tree.getroot()
    agencycodes = []
    rins = []
    titles =[]
    elements = [agencycodes, rins, titles]
    #pulling in the text from the fields
    for elem in tree.iter():
        if elem.tag == "AGENCY_CODE":
            agencycodes.append(int(elem.text))
        elif elem.tag == "RIN":
            rins.append(elem.text)
        elif elem.tag == "TITLE":
            titles.append(elem.text)
    with open('parsetest.csv', 'w') as f:
        writer = csv.writer(f)
        writer.writerows(zip(*elements))


parseEO('EO_file.xml')

但是，在某些版本的输入文件中，我收到了臭名昭着的错误：

'ascii' codec can't encode character u'\x97' in position 32: ordinal not in range(128)

完整的追溯是：

    ---------------------------------------------------------------------------
UnicodeEncodeError                        Traceback (most recent call last)
<ipython-input-15-28d095d44f02> in <module>()
----> 1 execfile(r'/parsingtest.py') # PYTHON-MODE

/Users/ian/Desktop/parsingtest.py in <module>()
     91         writer.writerows(zip(*elements))
     92 
---> 93 parseEO('/EO_file.xml')
     94 
     95 

/parsingtest.py in parseEO(doc)
     89     with open('parsetest.csv', 'w') as f:
     90         writer = csv.writer(f)
---> 91         writer.writerows(zip(*elements))
     92 
     93 parseEO('/EO_file.xml')
UnicodeEncodeError: 'ascii' codec can't encode character u'\x97' in position 32: ordinal not in range(128)

我非常有信心阅读其他线程，问题出在所使用的编解码器中（而且，你知道，错误也非常清楚）。但是，我读过的解决方案并没有帮助 me （强调因为我知道我是问题的根源，而不是人们过去回答的方式）。

几个回复（例如：this one和this one和this one）不直接与ElementTree打交道，我不确定如何将解决方案转换为我的解决方案我在做。

其他处理ElementTree的解决方案（例如：this one和this one）要么使用短字符串（此处为第一个链接），要么使用ElementTree中的.tostring / .fromstring方法我没有。（当然，也许我应该是。）

我尝试过的东西不起作用：

我试图通过UTF-8编码引入文件：
```
infile = codecs.open('/EO_file.xml', encoding="utf-8")
parseEO(infile)
```
但是我认为ElementTree进程已经将它理解为UTF-8（我在所有XML文件的第一行中都注明了这一点），所以这不仅不正确，而且实际上是多余的错误再次。
我试图在循环中声明一个编码过程，取而代之的是：
```
tree = ET.ElementTree(file=doc)
```
带
```
parser = ET.XMLParser(encoding="utf-8")
tree = ET.parse(doc, parser=parser)
```
在上面的循环中确实有效。这对我也不起作用。之前工作的相同文件仍然有效，创建错误的相同文件仍然会产生错误。

还有很多其他的随机尝试，但我不会强调这一点。

所以，虽然我认为我所拥有的代码既低效又缺乏良好的编程风格，但它确实能满足我对多个文件的需求。我试图理解是否只有一个我不知道的参数，我不知道，如果我应该以某种方式预处理文件（我还没有确定哪个有问题的字符，但确实知道你的'' x97转换为某种控制字符，或其他一些选项。

Answer 1

您正在解析XML; XML API为您提供unicode个值。然后，您尝试将unicode数据写入CSV文件，而不先对其进行编码。 Python然后尝试为您编码但失败。您可以在回溯中看到这一点，.writerows()调用失败，错误告诉您 encoding 失败，而不是解码（解析XML）。

您需要选择编码，然后在编写之前对数据进行编码：

for elem in tree.iter():
    if elem.tag == "AGENCY_CODE":
        agencycodes.append(int(elem.text))
    elif elem.tag == "RIN":
        rins.append(elem.text.encode('utf8'))
    elif elem.tag == "TITLE":
        titles.append(elem.text.encode('utf8'))

我使用UTF8编码，因为它可以处理任何Unicode代码点，但您需要自己做出明确的选择。

Answer 2

听起来你的xml文件中有一个unicode字符。 Unicode与编码为utf8的字符串不同。

python2.7 csv库不支持unicode字符，因此在将它们转储到csv文件之前，必须通过编码它们的函数运行数据。

def normalize(s):
    if type(s) == unicode: 
        return s.encode('utf8', 'ignore')
    else:
        return str(s)

所以你的代码看起来像这样：

for elem in tree.iter():
    if elem.tag == "AGENCY_CODE":
        agencycodes.append(int(elem.text))
    elif elem.tag == "RIN":
        rins.append(normalize(elem.text))
    elif elem.tag == "TITLE":
        titles.append(normalize(elem.text))

再次：UnicodeEncodeError：ascii编解码器无法编码

2 个答案: