讀取XML頭編碼

Question

我有一些XML文件，我想用腳本處理它們，將它們從它們所處的任何編碼轉換為UTF-8。

使用這個偉大答案中給出的代碼我可以進行轉換，但是如何讀取XML頭中給出的編碼？

例如，我有許多已經使用UTF-8的文件，應該保留下來：

<?xml version="1.0" encoding="utf-8"?>

但是，我有很多這也需要轉換的文件：

<?xml version="1.0" encoding="windows-1255"?>

如何在Python中檢測這些文件頭中指定的XML編碼？ 更好的是，在我檢測並重新編碼文件后，如何將此XML標頭更改為“utf-8”以避免將來處理它？

Answer 1

使用lxml進行解析; 然后，您可以訪問原始編碼：

from lxml import etree

with open(filename, 'r') as xmlfile:
    tree = etree.parse(xmlfile)
    if tree.docinfo.encoding == 'utf-8':
        # already in correct encoding, abort
        return

然后，您可以使用lxml以UTF-8再次寫入文件。

Answer 2

如何在Python中檢測這些文件頭中指定的XML編碼？

Rob Wolfe使用標准庫的解決方案 ：

from xml.parsers import expat

s = """<?xml version='1.0' encoding='iso-8859-1'?>
       <book>
           <title>Title</title>
           <chapter>Chapter 1</chapter>
       </book>"""

class MyParser(object):
    def XmlDecl(self, version, encoding, standalone):
        print "XmlDecl", version, encoding, standalone

    def Parse(self, data):
        Parser = expat.ParserCreate()
        Parser.XmlDeclHandler = self.XmlDecl
        Parser.Parse(data, 1)

parser = MyParser()
parser.Parse(s)

Answer 3

我想擴展@ PiotrDobrogost的答案，並實際編寫一個檢索XML文檔編碼的類：

from xml.parsers import expat

class XmlParser(object):
    '''class used to retrive xml documents encoding
    '''

    def get_encoding(self, xml):
        self.__parse(xml)
        return self.encoding

    def __xml_decl_handler(self, version, encoding, standalone):
        self.encoding = encoding

    def __parse(self, xml):
        parser = expat.ParserCreate()
        parser.XmlDeclHandler = self.__xml_decl_handler
        parser.Parse(xml)

以下是其用法示例：

xml = """<?xml version='1.0' encoding='iso-8859-1'?>
    <book>
        <title>Title</title>
        <chapter>Chapter 1</chapter>
    </book>"""
parser = XmlParser()
encoding = parser.get_encoding(xml)