Question

我正在编写一个记录终端交互的Python程序（类似于脚本程序），我想以XML格式存储日志。

问题是终端交互包括VT100转义码。如果我将数据写入UTF-8编码的文件，Python就不会抱怨，例如：

...
pid, fd = pty.fork()
if pid==0:
    os.execvp("bash",("bash","-l"))
else:
    # Lots of TTY-related stuff here
    # see http://groups.google.com/group/comp.lang.python/msg/de40b36c6f0c53cc
    fout = codecs.open("session.xml", encoding="utf-8", mode="w")
    fout.write('<?xml version="1.0" encoding="UTF-8"?>\n')
    fout.write("<session>\n")
    ...
    r, w, e = select.select([0, fd], [], [], 1)
    for f in r:
        if f==fd:
            fout.write("<entry><![CDATA[")
            buf = os.read(fd, 1024)
            fout.write(buf)
            fout.write("]]></entry>\n")
        else:
            ....
    fout.write("</session>")
    fout.close()

这个脚本“工作”意味着它将文件写入磁盘，但生成的文件不正确utf-8，这会导致像etree这样的XML解析器对转义码进行barf。

解决这个问题的一种方法是首先filter out the escape codes。但是，如果可以做这样的事情，其中维护转义码并且结果文件可以由像etree这样的XML工具解析？

Answer 1

你的问题不在于控制代码不是正确的UTF-8，它们只是ASCII ESC而朋友不是正确的XML字符，即使在CDATA部分内也是如此。

XML 1.0中唯一有效值小于U + 0020的XML字符是U + 0009（制表符），U + 000A（换行符）和U + 000D（回车）。如果你想记录涉及其他代码的东西，比如escape（U + 001B）那么你将不得不以某种方式逃避它们。没有其他选择。

Answer 2

正如Charles所说，大多数控制代码可能根本不包含在XML 1.0文件中。

但是，如果您可以使用XML 1.1，则可以在那里使用它们。它们不能作为原始字符包含在内，但可以作为字符引用。例如：

&#27;

因为您无法在CDATA部分中编写字符引用（它们只是被解释为ampersand-hash -...），您将不得不丢失<![CDATA[包装并手动转义{{1字符到它们的实体引用等价物。

请注意，无论如何都应该这样做：CDATA部分不会免除您对文本转义的责任，因为如果内部文本包含序列&<>，它们将失败。（因为你总是必须进行一些转义，这使得CDATA部分在大多数情况下都没用。）

XML 1.1对控制代码更加宽容，但并非所有内容都支持它，您仍然不能包含NUL字符（]]>）。通常，在XML中包含控制字符并不是一个好主意。您可以使用ad-hoc编码方案来适应二进制; base-64很受欢迎，但不是很容易阅读。替代方案可能包括使用私有使用区中的随机字符作为替代，如果它只是您自己的应用程序将处理文件，或将它们编码为元素（例如）。

Answer 3

您是否尝试将数据放入CDATA部分？这应该可以防止解析器尝试读取标记的内容。

http://en.wikipedia.org/wiki/CDATA

将VT100转义码存储在XML文件中

3 个答案: