使用LXML編寫XML標頭

Question

我目前正在編寫一個腳本，將一堆XML文件從各種編碼轉換為統一的UTF-8。

我首先嘗試使用LXML確定編碼：

def get_source_encoding(self):
    tree = etree.parse(self.inputfile)
    encoding = tree.docinfo.encoding
    self.inputfile.seek(0)
    return (encoding or '').lower()

如果那是空白的，我嘗試從chardet獲取它：

def guess_source_encoding(self):
    chunk = self.inputfile.read(1024 * 10)
    self.inputfile.seek(0)
    return chardet.detect(chunk).lower()

然后我使用codecs轉換文件的編碼：

def convert_encoding(self, source_encoding, input_filename, output_filename):
    chunk_size = 16 * 1024

    with codecs.open(input_filename, "rb", source_encoding) as source:
        with codecs.open(output_filename, "wb", "utf-8") as destination:
            while True:
                chunk = source.read(chunk_size)

                if not chunk:
                    break;

                destination.write(chunk)

最后，我正在嘗試重寫XML標頭。 如果最初是XML標頭

<?xml version="1.0"?>

要么

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

我想把它變成

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

我目前的代碼似乎不起作用：

def edit_header(self, input_filename):
    output_filename = tempfile.mktemp(suffix=".xml")

    with open(input_filename, "rb") as source:
        parser = etree.XMLParser(encoding="UTF-8")
        tree = etree.parse(source, parser)

        with open(output_filename, "wb") as destination:
            tree.write(destination, encoding="UTF-8")

我正在測試的文件有一個沒有指定編碼的標頭。 如何使用指定的編碼正確輸出標題？

Answer 1

嘗試：

tree.write(destination, xml_declaration=True, encoding='UTF-8')

來自API文檔 ：

xml_declaration控制是否應將XML聲明添加到文件中。 使用False的永遠， True為始終， None僅供如果不是US-ASCII或UTF-8（默認為None ）。

來自ipython的示例：

In [15]:  etree.ElementTree(etree.XML('<hi/>')).write(sys.stdout, xml_declaration=True, encoding='UTF-8')
<?xml version='1.0' encoding='UTF-8'?>
<hi/>

---

經過反思，我覺得你太努力了。 lxml自動檢測編碼並根據該編碼正確解析文件。

所以你真正要做的事情（至少在Python2.7中）是：

def convert_encoding(self, source_encoding, input_filename, output_filename):
    tree = etree.parse(input_filename)
    with open(output_filename, 'w') as destination:
        tree.write(destination, encoding='utf-8', xml_declaration=True)