为什么Python lxml不使用我的xml？

Question

我正在使用Python lxml库来解析我的xml，但是在解析一个特定文本时遇到了困难。 签出以下代码：

>>> print type(raw_text_xml)
<type 'unicode'>
>>> from lxml import etree
>>> article_xml_root = etree.fromstring(raw_text_xml, parser)
Traceback (most recent call last):
  File "<input>", line 1, in <module>
    article_xml_root = etree.fromstring(raw_text_xml, parser)
  File "lxml.etree.pyx", line 3032, in lxml.etree.fromstring (src/lxml/lxml.etree.c:68121)
  File "parser.pxi", line 1786, in lxml.etree._parseMemoryDocument (src/lxml/lxml.etree.c:102470)
  File "parser.pxi", line 1667, in lxml.etree._parseDoc (src/lxml/lxml.etree.c:101229)
  File "parser.pxi", line 1035, in lxml.etree._BaseParser._parseUnicodeDoc (src/lxml/lxml.etree.c:96139)
  File "parser.pxi", line 582, in lxml.etree._ParserContext._handleParseResultDoc (src/lxml/lxml.etree.c:91290)
  File "parser.pxi", line 683, in lxml.etree._handleParseResult (src/lxml/lxml.etree.c:92476)
  File "parser.pxi", line 622, in lxml.etree._raiseParseError (src/lxml/lxml.etree.c:91772)
XMLSyntaxError: Start tag expected, '<' not found, line 1, column 1

因此它说第一个字符不是< ，通过检查，它是正确的：

>>> print raw_text_xml[:20]
ďťż<?xml version="1.

它在xml前面有3个奇怪的字符。 因此，为了清洁这些，我尝试了以下操作：

>>> article_xml_root = etree.fromstring(raw_text_xml[3:], parser)
Traceback (most recent call last):
  File "<input>", line 1, in <module>
    article_xml_root = etree.fromstring(raw_text_xml[3:], parser)
  File "lxml.etree.pyx", line 3032, in lxml.etree.fromstring (src/lxml/lxml.etree.c:68121)
  File "parser.pxi", line 1781, in lxml.etree._parseMemoryDocument (src/lxml/lxml.etree.c:102435)
ValueError: Unicode strings with encoding declaration are not supported. Please use bytes input or XML fragments without declaration.

现在，它突然抱怨它是带有编码声明的unicode字符串，而如果您一直看到我的第一行代码，则始终是Unicode。

有人知道切片后突然出现完全不同的错误的原因吗？ 最重要的是，有人知道我该如何解决？

Answer 1

为什么切片后突然出现了完全不同的错误？

因为在切片之后，第一个错误消失了，并且解析可以继续进行，直到找到第二个错误为止。

最重要的是，有人知道我该如何解决？

错误消息可能是正确的（发生），您可以通过将unicode转换为字节来解决。 我想这比删除编码声明更好。

raw_text_xml.encode('utf8')

或代替'utf8'在xml片段中声明'utf8'任何编码。

Answer 2

第一个错误是由错误的字符引起的。 修复它之后，您将陷入第二，那是您的raw_text_xml是unicode。

您会知道什么是正确的编码（ASCII，latin1，utf8等）。 我不能不看实际内容。

假设它是encoding变量的内容，则应该能够执行以下操作：

article_xml_root = etree.fromstring(raw_text_xml.encode(encoding), parser)

（但我强烈建议您先控制显示print raw_text_xml[3:160] ...的内容）

Answer 3

在您解码原始Unicode的任何地方，都做错了。 它看起来像iso-8859-2 ，最初是带有BOM表签名的UTF-8。 以下内容可消除错误的解码并正确地重新解码：

>>> s.encode('iso-8859-2').decode('utf-8-sig')
'<?xml version="1.'