разбора XML из .docx с LXML дает IOError питона

Question

Я получаю XML под названием xml_content из .docx файла XML, выглядит следующим образом:

<?xml version="1.0" encoding="UTF-8"?> 
<w:document xmlns:w="http://schemas.openxmlformats.org/wordprocessingml/2006/main" xmlns:o="urn:schemas-microsoft-com:office:office" xmlns:r="http://schemas.openxmlformats.org/officeDocument/2006/relationships" xmlns:v="urn:schemas-microsoft-com:vml" xmlns:w10="urn:schemas-microsoft-com:office:word" xmlns:wp="http://schemas.openxmlformats.org/drawingml/2006/wordprocessingDrawing"> 
    <w:body> 
     <w:p> 
     <w:pPr> 
      <w:pStyle w:val="Normal" /> 
      <w:ind w:left="5070" w:right="0" w:hanging="0" /> 
      <w:rPr> 
       <w:rFonts w:cs="Book Antiqua" w:ascii="Book Antiqua" w:hAnsi="Book Antiqua" /> 
      </w:rPr> 
     </w:pPr> 
     <w:r> 
      <w:rPr> 
       <w:rFonts w:cs="Book Antiqua" w:ascii="Book Antiqua" w:hAnsi="Book Antiqua" /> 
      </w:rPr> 
      <w:t xml:space="preserve">                                                                                                                                                                                                                                                                                                                                                                                                                                                                      </w:t> 
      <w:pict> 
       <v:rect id="shape_0" stroked="f" style="position:absolute;margin-left:405pt;margin-top:0pt;width:80.9pt;height:71.9pt"> 
        <v:imagedata r:id="rId2" detectmouseclick="t" /> 
        <v:wrap v:type="none" /> 
        <v:stroke color="#3465a4" joinstyle="round" endcap="flat" /> 
       </v:rect> 
      </w:pict> 
      <w:pict> 
       <v:rect id="shape_0" stroked="f" style="position:absolute;margin-left:0.05pt;margin-top:0pt;width:71.9pt;height:70.1pt"> 
        <v:imagedata r:id="rId3" detectmouseclick="t" /> 
        <v:wrap v:type="none" /> 
        <v:stroke color="#3465a4" joinstyle="round" endcap="flat" /> 
       </v:rect> 
      </w:pict> 
     </w:r> 
     </w:p> 
... 
    </w:body> 
</w:document> 

С LXML я хочу разобрать этот XML. Мой код выглядит следующим образом:

import lxml.etree 

document = zipfile.ZipFile('test.docx') 
xml_content = document.read('word/document.xml') 
tree = lxml.etree.parse(xml_content) 

Когда я запускаю этот код я получаю эту ошибку:

Traceback (most recent call last): 
    File "import.py", line 29, in <module> 
    tree = lxml.etree.parse(xml_content) 
    File "lxml.etree.pyx", line 3301, in lxml.etree.parse (src/lxml/lxml.etree.c:72453) 
    File "parser.pxi", line 1791, in lxml.etree._parseDocument (src/lxml/lxml.etree.c:105915) 
    File "parser.pxi", line 1817, in lxml.etree._parseDocumentFromURL (src/lxml/lxml.etree.c:106214) 
    File "parser.pxi", line 1721, in lxml.etree._parseDocFromFile (src/lxml/lxml.etree.c:105213) 
    File "parser.pxi", line 1122, in lxml.etree._BaseParser._parseDocFromFile (src/lxml/lxml.etree.c:100163) 
    File "parser.pxi", line 580, in lxml.etree._ParserContext._handleParseResultDoc (src/lxml/lxml.etree.c:94286) 
    File "parser.pxi", line 690, in lxml.etree._handleParseResult (src/lxml/lxml.etree.c:95722) 
    File "parser.pxi", line 618, in lxml.etree._raiseParseError (src/lxml/lxml.etree.c:94754) 
IOError 

Answer 1

Метод ZipFile.read() возвращает строку, так что ваша переменная xml_content является строкой, а не файл, как объект. lxml.etree.parse() предназначен для синтаксического анализа файлоподобного объекта (дескрипторы файлов и т. П.). Вместо того, чтобы использовать lxml.etree.fromstring():

import zipfile 
import lxml.etree 

document = zipfile.ZipFile('test.docx') 
xml_content = document.read('word/document.xml') 
tree = lxml.etree.fromstring(xml_content)