Python 有没有办法强制lxml解析在标记中指定编码的Unicode字符串？
我有一个指定编码的XML文件，我使用UnicodeAmmit将其转换为unicode（出于存储的原因，我不能将其存储为字符串）。我稍后将其传递给lxml，但它拒绝忽略文件中指定的编码并将其解析为Unicode，因此引发了一个异常Python 有没有办法强制lxml解析在标记中指定编码的Unicode字符串？,python,lxml,Python,Lxml,我有一个指定编码的XML文件，我使用UnicodeAmmit将其转换为unicode（出于存储的原因，我不能将其存储为字符串）。我稍后将其传递给lxml，但它拒绝忽略文件中指定的编码并将其解析为Unicode，因此引发了一个异常 如何强制lxml解析文档？这种行为似乎过于严格。基本上，解决方案是： if isinstance(mystring, unicode): mystring = mystring.encode("utf-8") 真的。干得好，lxml 编辑：结果是，在本例中，l
如何强制lxml解析文档？这种行为似乎过于严格。基本上，解决方案是：
if isinstance(mystring, unicode):
mystring = mystring.encode("utf-8")
编辑：结果是，在本例中，lxml自动错误地检测编码。似乎我必须手动搜索并从页面中删除“字符集”和“编码”。您无法从unicode字符串中解析，并且在字符串中有编码声明。 因此，您可以将其设置为编码字符串（因为您显然无法将其存储为字符串，因此必须在解析之前对其进行重新编码。或者您自己使用lxml将树序列化为unicode:
etree.tostring（tree，encoding=unicode）utf8_parser = etree.XMLParser(encoding='utf-8')
def parse_from_unicode(unicode_str):
s = unicode_str.encode('utf-8')
return etree.fromstring(s, parser=utf8_parser)
这将确保忽略xml声明中的任何内容，因为解析器将始终使用utf-8。解决方案不是重新编码字符串。字符串中的编码声明可以表示UTF8以外的内容。不要盲目地重新编码到UTF8，并期望它一直工作 解决方案是去掉编码声明。您手头已经有了unicode字符串，不再需要它了
# this is from lxml/apihelpers.pxi
RE_XML_ENCODING = re.compile(
ur'^(<\?xml[^>]+)\s+encoding\s*=\s*["\'][^"\']*["\'](\s*\?>|)', re.U)
RE_XML_ENCODING.sub("", broken_xml_string, count=1)
#这来自lxml/apihelpers.pxi
RE_XML_ENCODING=RE.compile(
ur'^（]+）\s+编码\s*=\s*[“\']”[^“\']”]*[“\']”（\s*\？>）”，re.U）
RE_XML_ENCODING.sub（“”，断开的_XML_字符串，计数=1）
我有一个现有的实现，我需要一个树。 我在meta标记中也遇到了一个问题。将resolve_entities设置为false修复了该问题
opener=urllib.request.build\u opener（）
response=opener.open（url['url']）
raw_page=response.read（）
答复:close()
已解析页面=原始页面。替换（b'encoding=“UTF-8”，b''）
解析页面=StringIO（解析页面解码（'ASCII'））
parser=ET.XMLParser（resolve_entities=False，encoding=“ASCII”）
tree=ET.parse（已解析的页面，解析器）
root=tree.getroot（）