Python:Unicode和ElementTree.parse

我正试图转向Python2.7，因为Unicode在那里很重要，我会尝试用XML文件和文本处理它们，并使用

XML.etree.cElementTree

库解析它们。但我遇到了这个错误：

>>> import xml.etree.cElementTree as ET
>>> from io import StringIO
>>> source = """\
... <?xml version="1.0" encoding="UTF-8" standalone="yes" ?>
... <root>
...   <Parent>
...     <Child>
...       <Element>Text</Element>
...     </Child>
...   </Parent>
... </root>
... """
>>> srcbuf = StringIO(source.decode('utf-8'))
>>> doc = ET.parse(srcbuf)
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
  File "<string>", line 56, in parse
  File "<string>", line 35, in parse
cElementTree.ParseError: no element found: line 1, column 0

关于unicode和ET解析，我在这里遗漏了什么吗

编辑：显然，ET解析器不能很好地处理unicode输入流？以下工作：

>>> with io.open('test.xml', mode='rb') as fp:
...     ET.parse(fp)
...
<ElementTree object at 0x0180BC10>

io.open（'test.xml'，mode='rb'）作为fp的

>>：
...     ET.parse（fp）
...

但这也意味着如果我想从内存中的文本解析，我不能使用

io.StringIO

，除非我先将其编码到内存缓冲区中？

你不能使用吗

doc = ET.fromstring(source)

---

在您的第一个示例中？

我在Python 2.6中遇到了与您相同的问题

Python2.x和3.x版本中cElementTree.parse的“utf-8”编码似乎有所不同。在Python2.x中，我们可以使用XMLParser对unicode进行编码。例如：

import xml.etree.cElementTree as etree

parser = etree.XMLParser(encoding="utf-8")
targetTree = etree.parse( "./targetPageID.xml", parser=parser )
pageIds = targetTree.find("categorymembers")
print "pageIds:",etree.tostring(pageIds)

关于XMLParser方法，您可以参考本页（“XMLParser”部分）：

以下方法适用于Python 3.x版本：

import xml.etree.cElementTree as etree
import codecs

target_file = codecs.open("./targetPageID.xml",mode='r',encoding='utf-8')

targetTree = etree.parse( target_file )
pageIds = targetTree.find("categorymembers")
print "pageIds:",etree.tostring(pageIds)

---

希望这能对您有所帮助。

您的问题是您正在输入

ElementTree

unicode，但它更喜欢使用字节。在任何情况下，它都将为您提供unicode

在Python2.x中，它只能消耗字节。您可以告诉它这些字节的编码方式，但仅此而已。因此，如果您确实需要处理表示文本文件的对象，如

io.StringIO

，首先需要将其转换为其他内容

如果从UTF-8编码的2.x-

str

（又称

bytes

）开始，在内存中，如您的示例所示，使用

xml.etree.celementree.xml

一次性将其解析为xml，不要担心这些：-）

如果您想要一个能够处理从文件增量读取的数据的接口，请使用

xml.etree.celementree.parse

和

io.BytesIO

将其转换为内存中的字节流，而不是内存中的字符字符串。如果要使用

io.open

，请将其与

b

标志一起使用，以便获得字节流

---

在Python3.x中，您可以将unicode直接传递给ElementTree，这有点方便，而且可以说ElementTree的较新版本更适合这样做。但是，您可能仍然不想这样做，并且Python 3的版本仍然接受字节作为输入。无论如何，您总是从字节开始：通过将它们直接从输入源传递到ElementTree，您可以让它在XML解析引擎中智能地进行编码或解码，以及在输入流中动态检测编码声明，这可以用XML实现，但不能用任意文本数据。因此，让XML解析器执行解码工作是正确的责任所在。

我没有意识到这个函数的存在。次要的一点是：

fromstring

返回一个

元素

，而

parse

返回一个

ElementTree

。这个函数也称为它的别名，

XML

，即从XML.etree.celementree导入XML。如果代码中有一个XML常量，那么这个别名就可以很好地读取；您只需执行

fooDocument=XML（“…”）

。

XML.etree.cElementTree

模块自python 3.3以来就不受欢迎。看，这有点正确，但是在Python2和Python3之间，ElementTree版本比您认为的更相似。我想我会写一个不同的答案。

import xml.etree.cElementTree as etree
import codecs

target_file = codecs.open("./targetPageID.xml",mode='r',encoding='utf-8')

targetTree = etree.parse( target_file )
pageIds = targetTree.find("categorymembers")
print "pageIds:",etree.tostring(pageIds)