Python处理中文XML遇到的问题

[eddyxu]

在处理含有中文，encoding = "gb2312"的xml的时候，遇到
parser.Parse(buffer, 0)
ExpatError: unknown encoding: line 1, column 31

我的源程序：test.py
from xml.dom import minidom
import sys

import iconv_codec

doc = minidom.parse("my.xml")


my.xml的一部分:
<?xml version="1.0" encoding="gb2312"?>

[limodou]

我也遇到过这个问题，我最后是将输入文件改成了utf-8编码。输出时，如果需要则再转换成gb2312编码。

[eddyxu]

还有个问题，我在输出到xml的时候，用utf-8编码，也会产生error

UnicodeDecodeError: 'ascii' codec can't decode byte 0xc4 in position 0: ordinal not in range(128)

请教您如何解决呢

[limodou]

整个文件都要用utf-8编码保存，再试试。
输出时要转换成本地编码，如gb2312或cp936即可。这是因为xml内容使用unicode编码，因此输出时转换一下即可。

[eddyxu]

还是不行，我是从wxTextCtrl得到一个value ,print现实是正确的，可是后来输出就有问题了，不知道为什么，下面是我的代码，您帮我看看吧

title = TextCtrl.getValue()
t = title.encode("utf-8")

doc = minidom.parse("my.xml")
top_element = doc.getElementsByTagName('Root')[0]

new = doc.createElement("channel")
tNode = doc.createElement("title")
tText = doc.createTextNode(t)
tNode.appendChild(tText)
new.appendChild(tNode)
top_element.appendChild(new)

open("my.xml","w").write(doc.toxml())

[limodou]

最后改为
open("my.xml","w").write(doc.toxml().decode('cp936'))
试试。

[eddyxu]

试过了，用了cp936,也是过gb2312，还是有：

UnicodeDecodeError: 'ascii' codec can't decode byte 0xce in position 0: ordinal not in range(128)

[limodou]

把你的xml文件截一段，我试试。

[eddyxu]

<?xml version="1.0" encoding="utf-8"?>
<Root>
<channel>
<title>ABC News</title>
</channel>
</Root>

[limodou]

我写错了。应该是
open("my.xml","w").write(doc.toxml().encode('cp936'))
目的是将unicode重新变成其它的本地编码。unicode.encode()是用来解码的。原来我写的decode应该是将其它编码变成unicode编码用的，用错了。

[eddyxu]

File "D:\work\Python\RssSashWindow.py", line 273, in AddToTree
open("tree.xml","w").write(doc.toxml().encode('cp936'))
File "C:\Python23\lib\xml\dom\minidom.py", line 49, in toxml
return self.toprettyxml("", "", encoding)
File "C:\Python23\lib\xml\dom\minidom.py", line 64, in toprettyxml
return writer.getvalue()
File "C:\Python23\Lib\StringIO.py", line 203, in getvalue
self.buf += ''.join(self.buflist)
UnicodeDecodeError: 'ascii' codec can't decode byte 0xce in position 0: ordinal not in range(128)


还是不行……

[limodou]

我的程序是这样的，你测试一下：
#coding=cp936

import xml.dom.minidom

t=unicode('测试', 'cp936')

doc = xml.dom.minidom.parse("my.xml")
top_element = doc.getElementsByTagName('Root')[0]

new = doc.createElement("channel")
tNode = doc.createElement("title")
tText = doc.createTextNode(t)
tNode.appendChild(tText)
new.appendChild(tNode)
top_element.appendChild(new)

print doc.toxml()
open("my1.xml","w").write(doc.toxml().encode('cp936'))

[eddyxu]

谢谢，我尝试都用utf-8成功了

[eddyxu]

呵呵，又遇到一个问题，怎么unicode于string互换

[jp311]

我的python不支持gb2312,cp936办？

[eddyxu]

我用gb2312存了以后，在读的时候就出问题了……

xml.parsers.expat.ExpatError: not well-formed (invalid token): line 3, column 20

就是在出现中文的地方

[limodou]

cp936是python 2.3带的呀。我用的是windows下的。

用gb2312存了再处理就不行了。xml可以识别的是utf-8。如果还要用python处理xml的话，就必须还保存为utf-8编码。如果是想看的话可以保存为gb2312编码。

因此在打开文件时，如果原文件(.xml文件)已经是utf-8编码，则不用做任何处理。否则原文件要保存为utf-8编码格式的文件，再进行处理。如：

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

注意编码声明与内容的编码格式一定要对应。如果encoding是gb2312，但内容是用utf-8编码保存的，仍然是错误的。

保存时，如果还要进行处理，则应该保存为utf-8编码。否则可以转换为别的编码。

为什么要用utf-8呢？我想是因为utf-8是通用的国际标准，python的xml模块只支持几种国际标准，象gb2312之类的就不支持了。这是我的猜测。

让python支持gb2312，可以参见我写的文章：

http://limodou.donews.net/limodou/posts/9429.aspx