Question

我想要忽略我的xml中的unicode。我愿意在处理输出时以某种方式改变它。

我的python：

import urllib2, os, zipfile 
from lxml import etree

doc = etree.XML(item)
docID = "-".join(doc.xpath('//publication-reference/document-id/*/text()'))
target = doc.xpath('//references-cited/citation/nplcit/*/text()')
#target = '-'.join(target).replace('\n-','')
print "docID:    {0}\nCitation: {1}\n".format(docID,target) 
outFile.write(str(docID) +"|"+ str(target) +"\n")

创建输出：

docID:    US-D0607176-S1-20100105
Citation: [u"\u201cThe birth of Lee Min Ho's donuts.\u201d Feb. 25, 2009. Jazzholic. Apr. 22, 2009 <http://www

但如果我尝试在'-'join(target).replace('\n-','')中添加回来，我会print和outFile.write收到此错误：

Traceback (most recent call last):
  File "C:\Documents and Settings\mine\Desktop\test_lxml.py", line 77, in <module>
    print "docID:    {0}\nCitation: {1}\n".format(docID,target)
UnicodeEncodeError: 'ascii' codec can't encode character u'\u201c' in position 0: ordinal not in range(128)

如何忽略unicode，以便target与outFile.write串联？

Answer 1

您收到此错误是因为您有一个字符串，其中包含您尝试使用ascii characterset输出的unicode字符。打印列表时，您将获得列表的“repr”及其中的字符串，从而避免出现问题。

您需要编码为不同的字符集（例如UTF-8），或者在编码时删除或替换无效字符。

我建议阅读Joels The Absolute Minimum Every Software Developer Absolutely, Positively Must Know About Unicode and Character Sets (No Excuses!)，然后阅读the Python docs中有关编码和解码字符串的相关章节。

这是一个让你入门的小提示：

print "docID:    {0}\nCitation: {1}\n".format(docID.encode("UTF-8"),
                                              target.encode("UTF-8"))

Answer 2

print "docID: {0}\nCitation: {1}\n".format(docID.encode("utf-8"), target.encode("utf-8"))

所有不是ASCII字符集的字符都将显示为十六进制转义序列：例如，“\ u201c”将显示为“\ xe2 \ x80 \ x9c”。如果这是不可接受的，那么你可以做：

docID = "".join([a if ord(a) < 128 else '.' for a in x])

将用'。'。

替换所有非ASCII字符

用python和lxml忽略xml中的unicode？

2 个答案: