Question

我有一个巨大的（50MB）XML ElementTree，我已经生成了原始数据中的某些地方，有些UTF-8字母没有被删除。即使在tostring中有一个“encoding ='UTF-8'”选项，ElementTree.write和.tostring似乎也会阻塞unicode。文档相当有限，我甚至不确定tostring是否符合UTF-8（查看源代码）。

所以我的问题 - 如何删除任何非ascii字符的整个元素树，以便我可以将这个怪物写入磁盘（需要8小时才能生成）？我现在腌了它。我还在大多数数据上使用了一个名为latin1_to_ascii的函数：

def latin1_to_ascii(unicrap):
        """
        This takes a UNICODE string and replaces Latin-1 characters with
        something equivalent in 7-bit ASCII. Anything not converted is deleted.
    #the unicode hammer approach: http://code.activestate.com/recipes/251871-latin1-to-ascii-the-unicode-hammer/
    """
    xlate={0xc0:'A', 0xc1:'A', 0xc2:'A', 0xc3:'A', 0xc4:'A', 0xc5:'A',
            0xc6:'Ae', 0xc7:'C',
            0xc8:'E', 0xc9:'E', 0xca:'E', 0xcb:'E',
            0xcc:'I', 0xcd:'I', 0xce:'I', 0xcf:'I',
            0xd0:'Th', 0xd1:'N',
            0xd2:'O', 0xd3:'O', 0xd4:'O', 0xd5:'O', 0xd6:'O', 0xd8:'O',
            0xd9:'U', 0xda:'U', 0xdb:'U', 0xdc:'U',
            0xdd:'Y', 0xde:'th', 0xdf:'ss',
            0xe0:'a', 0xe1:'a', 0xe2:'a', 0xe3:'a', 0xe4:'a', 0xe5:'a',
            0xe6:'ae', 0xe7:'c',
            0xe8:'e', 0xe9:'e', 0xea:'e', 0xeb:'e',
            0xec:'i', 0xed:'i', 0xee:'i', 0xef:'i',
            0xf0:'th', 0xf1:'n',
            0xf2:'o', 0xf3:'o', 0xf4:'o', 0xf5:'o', 0xf6:'o', 0xf8:'o',
            0xf9:'u', 0xfa:'u', 0xfb:'u', 0xfc:'u',
            0xfd:'y', 0xfe:'th', 0xff:'y',
            0xa1:'!', 0xa2:'{cent}', 0xa3:'{pound}', 0xa4:'{currency}',
            0xa5:'{yen}', 0xa6:'|', 0xa7:'{section}', 0xa8:'{umlaut}',
            0xa9:'{C}', 0xaa:'{^a}', 0xab:'<<', 0xac:'{not}',
            0xad:'-', 0xae:'{R}', 0xaf:'_', 0xb0:'{degrees}',
            0xb1:'{+/-}', 0xb2:'{^2}', 0xb3:'{^3}', 0xb4:"'",
            0xb5:'{micro}', 0xb6:'{paragraph}', 0xb7:'*', 0xb8:'{cedilla}',
            0xb9:'{^1}', 0xba:'{^o}', 0xbb:'>>', 
            0xbc:'{1/4}', 0xbd:'{1/2}', 0xbe:'{3/4}', 0xbf:'?',
            0xd7:'*', 0xf7:'/',0x92:'a'
            }
    r = ''
    for i in unicrap:
            if xlate.has_key(ord(i)):
                    r += xlate[ord(i)]
            elif ord(i) >= 0x80:
                    pass
            else:
                    r += str(i)
    return r

“核选项”功能仅适用于字符串，现在我有一个元素中的数据我似乎无法剥离我错过的东西。

Answer 1

你需要解释“原始数据中的某些地方是一些没有被删除的UTF-8字母” - 比如什么是“UTF-8字母”，以及为什么要剥离它们。 / p>

如果你解释了“ElementTree.write和.tostring似乎在unicode上窒息”的意思，那也会有所帮助。请编辑您的问题以显示完整的错误消息和追溯。

为什么要使用该功能将你的unicode打成ASCII？它只是为了克服你遇到的问题吗？

您可能正在将以UTF-8编码的str个对象提供给ElementTree。不要那样做。为它提供unicode个对象，它只是起作用：

>>> e = et.Element('root')
>>> e.text = u''.join(unichr(i) for i in xrange(0x400, 0x408))
>>> e.text
u'\u0400\u0401\u0402\u0403\u0404\u0405\u0406\u0407'

如果你必须有ASCII输出（你通过7位宽的通道进行通信？）：

>>> et.tostring(e)
'<root>&#1024;&#1025;&#1026;&#1027;&#1028;&#1029;&#1030;&#1031;</root>'

UTF-8有效：

>>> et.tostring(e, 'UTF-8')
"<?xml version='1.0' encoding='UTF-8'?>\n<root>\xd0\x80\xd0\x81\xd0\x82\xd0\x83\xd0\x84\xd0\x85\xd0\x86\xd0\x87</root>"

您应该使用ElementTree.write method来编写文件，而不是使用'tostring';它节省了双重处理。

Answer 2

我再次运行该过程，在树创建过程中将输入字符串解码为unicode。八个小时可能需要很长时间，但你可以做其他事情，而不是等待内存修补的指针。

确保测试一小部分数据以确认您的代码是否正常工作。

Answer 3

听起来我觉得问题更可能是输出文件的编码 - 就像你正在使用的那样。你可以提供更多代码来解决你的问题吗？我看不出ElementTree.write()和ElementTree.tostring()如何窒息它。

Answer 4

好吧，即使你们认为我这样做也很疯狂，但它确实有效：

我在Notepad ++中打开了pickle文件并手动找到所有“\ x ??”正则表达式的字符，并删除它们。然后我将pickle导入python，在命令行使用ElementTree保存为XML文件：

f = open（'pulsewire / pulse_cleaned.pickle'，'rb'）

导入泡菜

data = pickle.load（f）

将xml.etree.ElementTree导入为ET

bob = ET.ElementTree（data）＆lt; - 需要首先将元素包装在树中

bob.write（ “pulsewire / testtree.xml”）

如何编写带有UTF-8的ElementTree

4 个答案: