lxmlがxmlを処理する際の文字エンコーディングの問題について詳しく解説

問題を単純化するために、xmlの内容は次の形式に簡略化されます:

<?xml version="1.0" encoding="gbk"?><DOCUMENT><da><![CDATA[中文，就是任性]]></da></DOCUMENT>

そのエンコーディングはgbkであり、ノードの1つは中国語の文字です
lxmlを使用して値を抽出するときに次の例外が発生しましたノードの

lxml.etree.XMLSyntaxError: Extra content at the end of the document

この時点で対応する Python スクリプトは次のとおりです:

tst = u'<?xml version="1.0" encoding="gbk"?><DOCUMENT><da><![CDATA[中文，就是任性]]></da></DOCUMENT>'
for event,element in etree.iterparse(BytesIO(tst.encode('utf-8'))):
    print("%s, %s" % (element.tag, element.text))

ただし、簡略化する前に別の例外が報告されました

lxml.etree.XMLSyntaxError: input conversion failed due to input error, bytes 0x8B 0x2C 0xE6 0x9D

どの例外であっても、やはりエンコーディングに関連していると推測されますキャラクターのフォルム。
さまざまな試みが役に立たなかった後、後でこの記事で言及されている問題が XML のエンコード値に関連していることを確認し、以前の Replace を置き換える置換ステートメントを追加してみました。エンコーディング = "gbk" とエンコーディング: "utf-8"

それで、最終的に結果が得られました:

tst = u'<?xml version="1.0" encoding="gbk"?><DOCUMENT><da><![CDATA[中文，就是任性]]></da></DOCUMENT>'
tst = tst.replace('encoding="gbk"', 'encoding="utf-8"')
for event,element in etree.iterparse(BytesIO(tst.encode('utf-8'))):
    print("%s, %s" % (element.tag, element.text))

以上がlxmlがxmlを処理する際の文字エンコーディングの問題について詳しく解説の詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。