Python解析XML是出现编码问题

在python中遇到编码问题是一个非常痛苦的问题。

在使用Python处理XML的问题上，首先遇到的是编码问题。

Python并不支持gb2312，所以面对encoding="gb2312"或encoding="utf8"的XML文件会出现错误。Python读取的文件本身的编码也可能导致抛出异常，这种情况下打开文件的时候就需要指定编码。此外就是XML中节点所包含的中文。Python默认的是解析XML是编码为“UTF-8”和“UTF-16”。所以出现encoding error ！问题

我这里呢，处理就比较简单了，只需要修改XML的encoding头部。方法如下：

方法一：

文件 test.xml内容如下

<?xml version=”1.0″ encoding=”gbk”?>
<toplist>

…………….

</toplist>

要用python解析一下文件的内容。

采用minidom解析

xmldoc = minidoc.parse(file_name);

会出现这个错误

xml.parsers.expat.ExpatError: unknown encoding: line 1, column 30

经过查找肯定会发现是minidom不支持gbk编码，那么文件是gbk编码的，肯定是错误的，所以将文件转码为utf-8

（命令 iconv -f gbk -t utf-8 filename -o filename_new）

现在对新的utf-8编码的文件进行解析操作，依旧是报错，这是为什么呢？

原因是<?xml version=”1.0″ encoding=”gbk”?>这个句子在做过，minidom在底层对这个语句进行了识别，也就是不仅仅文件要变成utf-8编码的，而且这里 也要变成<?xml version=”1.0″ encoding=”utf-8″?>。再试验一次，全部ok了

给段操作代码

file_xml = open(file_name,”r”).read()
file_xml = file_xml.replace(‘<?xml version=”1.0″ encoding=”gbk”?>’,'<?xml version=”1.0″ encoding=”utf-8″?>’)
file_xml = unicode(file_xml,encoding=’gbk’).encode(‘utf-8′)
xmldoc  = minidoc.parseString(file_xml)

方法二：

自己在网上找了些资料，写了个脚本，把XML文件转化成你想要的编码就可以了。

#!/usr/bin/env python

import os, sys
import re

def replaceXmlEncoding(filepath, oldEncoding='gb2312', newEncoding='utf-8'):
    f = open(filepath, mode='r')
    content = f.read()
    content = re.sub(oldEncoding, newEncoding, content)
    f.close()

    f = open(filepath, mode='w')
    f.write(content)
    f.close()

if __name__ == "__main__":
    replaceXmlEncoding('./ActivateAccount.xml')
方法三：

在官网和在官方论坛上看到了一些相关的解决办法：

Encoding Declaration

In the document entity, the encoding declaration is part of the XML declaration. The EncName is the name of the encoding used.（http://www.w3.org/TR/2006/REC-xml11-20060816/#NT-EncodingDecl）

没有太明白，具体就是修改编码的格式声明，扩大了解析时能够识别的格式。

方法四：

最简单的办法就是把XML格式改成解析器默认的格式，但是如果不能改，或者文件太多，一个一个改浪费时间，或者在XML的生成是就默认了其他的格式就很麻烦了一个一个改。所以运用上面办法也可以解决问题