如何使用ElementTree正确解析utf-8 xml？

Question

我需要帮助，以了解为什么解析我的xml文件*与xml.etree.ElementTree会产生以下错误。

* 我的测试xml文件包含阿拉伯字符。

任务： 打开并解析utf8_file.xml文件。

我第一次尝试：

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) 

结果1：

UnicodeEncodeError: 'ascii' codec can't encode characters in position 236-238: ordinal not in range(128) 

我的第二次尝试：

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) 

结果2：

AttributeError: 'file' object has no attribute 'getiterator' 

请解释一下上面的错误，并在可能的解决方案发表意见。

Answer 1

将解码字节留给解析器;做不解码第一：

import xml.etree.ElementTree as etree 
with open('utf8_file.xml', 'r') as xml_file: 
    xml_tree = etree.parse(xml_file) 

的XML文件必须包含在第一线处理解析器解码的足够信息。如果标题丢失，解析器必须假定使用了UTF-8。

因为它是保存此信息的XML标头，所以解析器有责任进行所有解码。

您的第一次尝试失败，因为Python试图再次编码 Unicode值，以便解析器可以按预期处理字节字符串。第二次尝试失败，因为etree.tostring()需要解析树作为第一个参数，而不是unicode字符串。