Мне нужна помощь, чтобы понять, почему синтаксический анализ моего xml-файла * с помощью xml.etree.ElementTree вызывает следующие ошибки.Как правильно разобрать utf-8 xml с ElementTree?
* Мой тестовый xml-файл содержит арабские символы.
Задача: Открыть и разобрать utf8_file.xml
файл.
Моя первая попытка:
import xml.etree.ElementTree as etree
with codecs.open('utf8_file.xml', 'r', encoding='utf-8') as utf8_file:
xml_tree = etree.parse(utf8_file)
Результат 1:
UnicodeEncodeError: 'ascii' codec can't encode characters in position 236-238: ordinal not in range(128)
Моя вторая попытка:
import xml.etree.ElementTree as etree
with codecs.open('utf8_file.xml', 'r', encoding='utf-8') as utf8_file:
xml_string = etree.tostring(utf8_file, encoding='utf-8', method='xml')
xml_tree = etree.fromstring(xml_string)
Результат 2:
AttributeError: 'file' object has no attribute 'getiterator'
Пожалуйста, объясните ошибки выше и прокомментировать возможное решение.
Отлично, казалось, было легче, чем я думал. Даже файлы «utf-8 без спецификации» корректно анализируются. – minerals
UTF-8 без спецификации - стандарт; * with * BOM - это в основном Microsoft, которая хочет упростить автоопределение 8-битных кодировок, отличных от UTF-8. –
'etree.parse (a_file)' обрабатывает Unicode по умолчанию. Однако 'etree.fromstring (a_string)' не работает до Python 3.x (см. Http://bugs.python.org/issue11033), поэтому для синтаксического анализа строки вам необходимо закодировать ее вручную, например 'etree.fromstring (a_string.encode ('UTF-8')) '. –