Question

我正在使用Python 3.6.4和lxml 4.1.1。在读取/解析etree时，我转义了12个Unicode分隔符。 PSEP看起来像这样：

line = line.replace('\u2029', ' %(#u2029)s '

经过大量的过滤/处理后，我使用以下代码将行保存到新的XML文件中：

seg = etree.SubElement(tuv, 'seg')
seg.text = line.replace('%(#u2029)s', '\u2029')

产生以下追溯：

Traceback (most recent call last):
  File "C:\process-tmx\", line 267, in run
    seg.text = line.replace('%(#u2029)s', '\u2029')
  File "src\lxml\xtree.pyx", line 1033, in lxml.etree._Element.text.__set__ (src\lxml\etree.c:55075)
  File "src\lxml\apihelpers.pxi", line 716, in lxml.etree._setNodeText (src\lxml\etree.c:25862)
  File "src\lxml\apihelpers.pxi", line 704, in lxml.etree._createTextNode (src\lxml\etree.c:25725)
  File "src\lxml\apihelpers.pxi", line 1444, in lxml.etree._utf8(src\lxml\etree.c:32944)
ValueError: All strings must be XML compatible: Unicode or ASCII, no NULL bytes or control characters

这是否意味着'\ u2029'是XML不兼容的Unicode？我如何逃避XML？

由于

Answer 1

在XML in XML和其他标记语言文档中，有一个名为Characters not Suitable for Use in Markup的部分。本节实际上并未强制要求U + 2029在XML中是非法的，但它表示不鼓励使用它。

阅读整个部分了解详情，但简短版本如下：

如果您实际上将它用作段落分隔符，则应该使用段落分隔符作为特定的XML语言。对于XHTML，文档中的示例为<xhtml:br />或<xhtml:p></xhtml:p>。

如果你只是将它作为一个非XML文本中间的字符使用，那么你就会把它放入XML文档的一个字段中，你会想要逃避它。怎么样？好吧，如果你正在编写创建代码和消费代码，你可以随心所欲地逃避它，只要你可以在另一端解除它。如果其他人正在编写消费代码，您必须生成他们期望的任何内容。如果消费代码是通用的（比如在Firefox中显示原始XML），那么你会希望它是最终用户可读的东西。

对于最后一种情况，你可能实际上想要使用U + 2029，尽管它“灰心丧气”。但看起来lxml不会让你这样做，因为它比必要的更严格。这并不是太不合理（你知道，严格按照你自己生产的东西，所谓的消费和所有这些），但如果你有一个令人烦恼的用例，它仍然很烦人。在这种情况下，你需要找到一种方法来覆盖它的作用 - 如果没有配置设置，比如将它一直编码到lxml，然后在lxml完成之后对其进行转换，就在你把它写到文件/套接字/之前。

Python'\ u2029'是XML不兼容的Unicode吗？

1 个答案: