Question

抱歉我的英语：）

我在utf-8中使用西里尔文本解析xml文件时遇到问题

来自xml的一些行：

............

<programme start="20110405022000 +0300"
stop="20110405031000 +0300" channel="4000"> <title
lang="bul">Модерно</title> <sub-title
lang="bul"></sub-title> <desc
lang="bul">Тоук шоу. Модерно е токшоу
с водещ и продуцент Радост Драганова.
Предаването разисква всички теми,
които интересуват жените, като им
помага да изглеждат по-добре и да се
чувстват по-добре</desc> <category
lang="bul">0</category> </programme>
<programme start="20110405031000 +0300"
stop="20110405050000 +0300" channel="4000"> <title
lang="bul">Клонинг</title> <sub-title
lang="bul"></sub-title> <desc
lang="bul">Еп. 89 и 90, сериал.
Любовта между Хаде и Лукас се ражда в
Мароко, където двамата се запознават.
Но мюсюлманските обичаи разделят
влюбените. Хаде е родена и израснала в
САЩ, но след смъртта на майка си
заминава за Мароко при чичо си
Али</desc> <category
lang="bul">0</category> </programme>

............

我使用DOMTree = xml.dom.minidom.parse（“text.xml”）并收到错误：

Traceback (most recent call last):
  File "t3.py", line 9, in <module>
    DOMTree = parse(datasource)
  File "/usr/lib/python2.6/xml/dom/minidom.py", line 1918, in parse
    return expatbuilder.parse(file)
  File "/usr/lib/python2.6/xml/dom/expatbuilder.py", line 928, in parse
    result = builder.parseFile(file)
  File "/usr/lib/python2.6/xml/dom/expatbuilder.py", line 207, in parseFile
    parser.Parse(buffer, 0)
xml.parsers.expat.ExpatError: not well-formed (invalid token): line 10, column 18

第10行，第18列是第一个西里尔符号。在xml文件的第一行是

<?xml version="1.0" encoding="utf-8"?>

有什么想法吗？

Answer 1

您的xml文件必须格式正确，即它必须只有一个根元素。尝试在输入文件的开头和结尾添加根标记。

Answer 2

你说“”“如果我把第一行的编码更改为koi8-r就可以了。但我想使用utf-8。”“”

我认为你的意思是，如果XML文件以

开头，它就可以工作

<?xml version="1.0" encoding="KOI8-R" ?>

如果确实如此，那么您的文件将以KOI8-R编码。

如果您想使用UTF-8输入文件，则不应将文件编码为KOI8-R，或者您应将文件从KOI8-R转码为UTF-8。

如果“我想使用utf-8”意味着别的东西，请解释一下。

Answer 3

我建议使用chardet。以下代码可能有所帮助。我有xml数据为GB3212。我使用chardet只是将我的源码转换为utf-8。我希望这会有所帮助。

xml_data_type = chardet.detect（xml_data_source）['encoding']

print xml_data_type '''检查你的编码'''

xml_data = xml_data.decode（xml_data_encoding）

xml_data = xml.data.encode（“utf-8”）

带有西里尔文的python xml.dom.minidom.parse和utf-8 xml文件

3 个答案: