Question

我正在使用以下代码解析xml文件：

import lxml

file_name = input('Enter the file name, including .xml extension: ')
print('Parsing ' + file_name)

from lxml import etree

parser = lxml.etree.XMLParser()


tree = lxml.etree.parse(file_name, parser)
root = tree.getroot()

nsmap = {'xmlns': 'urn:tva:metadata:2010'} 


with open(file_name+'.log', 'w', encoding='utf-8') as f:
    for info in root.xpath('//xmlns:ProgramInformation', namespaces=nsmap):
       crid = (info.get('programId'))
       titlex = (info.find('.//xmlns:Title', namespaces=nsmap))
       title = (titlex.text if titlex != None else 'Missing')
       synopsis1x = (info.find('.//xmlns:Synopsis[1]', namespaces=nsmap))             
       synopsis1 = (synopsis1x.text if synopsis1x != None else 'Missing')               
       synopsis1 = synopsis1.replace('\r','').replace('\n','')
       f.write('{}|{}|{}\n'.format(crid, title, synopsis1))

让我们举一个'Přešitébydlení'的标题。如果我在解析文件时打印标题，它会按预期出现。然而，当我把它写出来时，它显示为'PÅ™eÅ¡itÃ©bydlenÃ'。

据我所知，这与编码有关（因为我能够将打印命令更改为使用UTF-8，并且'损坏'输出），但我无法按照我的要求将打印输出打印出来。我看了一下编解码器库，但是没有成功。在XML Parser系列中使用'encoding =“utf-8”'没有任何区别。

如何将书面输出配置为人类可读？

Answer 1

我以前遇到过各种各样的麻烦。但解决方案相当简单。有一章介绍了如何在documentation中读取和写入unicode文件。这个Python talk对于理解这个问题也很有启发性。 Unicode可能很痛苦。如果你开始使用python 3，它会变得容易得多。

import codecs
f = codecs.open('test', encoding='utf-8', mode='w+')
f.write(u'\u4500 blah blah blah\n')
f.seek(0)
print repr(f.readline()[:1])
f.close()

Answer 2

你的代码看起来不错，所以我认为你的输入是duff。假设您正在使用UTF-8查看器或shell查看输出文件，那么我怀疑<?xml中的编码与实际编码不匹配。

这可以解释为什么打印有效但不能写入文件。如果您的shell / IDE设置为“ISO-8859-2”并且您的输入XML也是“ISO-8859-2”，那么打印正在推出原始编码。

Unicode：Python / lxml文件输出不符合预期（打印与写入）

2 个答案: