Question

我正在尝试使用库xml.dom.minidom解析一堆xml文件，以提取一些数据并将其放入文本文件中。大多数XML都运行良好，但对于其中一些XML，我在调用minidom.parsestring（）时遇到以下错误：

UnicodeEncodeError：'ascii'编解码器无法编码位置5189中的字符u'\ u2019'：序数不在范围内（128）

它也适用于其他一些非ascii字符。我的问题是：我有什么选择？在解析XML文件之前，我是否应该以某种方式删除/替换所有非英文字符？

Answer 1

尝试解码它：

> print u'abcdé'.encode('utf-8')
> abcdÃ©

> print u'abcdé'.encode('utf-8').decode('utf-8')
> abcdé

Answer 2

如果你的字符串是'str'：

<?php
namespace Myapp;
class Notifyer
{
    public function sendInfo(Order $order){...}
}

这对我有用。

Answer 3

Minidom不直接支持解析Unicode字符串;这是历史上一直支持和标准化不足的东西。许多XML工具只将字节流识别为XML解析器可以使用的东西。

如果您有普通文件，您应该以字节字符串（而不是Unicode！）读取它们并将其传递给parseString()，或者只使用将直接读取文件的parse()。

Answer 4

我知道O.P.询问解析字符串，但是在通过Document.writexml（...）将 DOM模型写入文件时，我遇到了同样的异常。如果有（相关）问题的人来到这里，我会提供我的解决方案。

我抛出UnicodeEncodeError的代码如下所示：

with tempfile.NamedTemporaryFile(delete=False) as fh:
    dom.writexml(fh, encoding="utf-8")
请注意，“encoding”参数仅影响XML标头，对数据的处理没有影响。要修复它，我将其更改为：
with tempfile.NamedTemporaryFile(delete=False) as fh:
    fh = codecs.lookup("utf-8")[3](fh)
    dom.writexml(fh, encoding="utf-8")

这将使用 encodings.utf_8.StreamWriter 的实例包装文件句柄，该实例将数据处理为UTF-8而不是ASCII，并且UnicodeEncodeError消失了。我从阅读 xml.dom.minidom.Node.toprettyxml（...）的来源中得到了这个想法。

Answer 5

我几次遇到这个错误，我处理它的hacky方法就是这样做：

def getCleanString(word):   
   str = ""
   for character in word:
      try: 
         str_character = str(character)
         str = str + str_character
      except:
         dummy = 1 # this happens if character is unicode
   return str

当然，这可能是一种愚蠢的做法，但它为我完成了工作，并没有花费任何速度。

如何使用minidom解析unicode字符串？

5 个答案: