如何使用python中的elementtree处理xml文件中格式不正确的字符答案

【问题标题】：How to deal with not well-formed character in xml file with elementtree in python如何使用python中的elementtree处理xml文件中格式不正确的字符
【发布时间】：2012-07-02 14:53:57
【问题描述】：

我正在使用ElementTree.parse 函数解析用utf-16 编码的xml 文件。当文件包含一些格式不正确的字符（例如♀, ♂ .etc）时，程序会崩溃。并且出现错误“xml.parsers.expat.ExpatError: not well-formed (invalid token)”。我怎样才能避免这个错误并解决这个问题？我怎么能忽略这些格式不正确的字符？谢谢！以下是我的代码：

tree = ElementTree()
root = tree.parse(xml_file)

xml_file 是以 UTF-16 格式编码的文件。错误会指出格式不正确的字符的行号和列号。

【问题讨论】：

您没有提供足够的信息。代币放在哪里？里面的标签、属性名、属性值还是元素值？它们在 CDATA 事物之间吗？文件真的是用 UTF-16 编码的吗？如果标头设置正确？
字符在元素值中。是的，它在 CDATA 事物之间。
@Blubber xml内容是这样的：♂ John
如果您在问题中显示您编写的代码会很方便，以便我可以详细说明我的答案。
@MarcodeWit 感谢您的回复。我已经在问题中展示了我的代码。

标签： python xml xml-parsing elementtree

【解决方案1】：

由于xml.parsers.expat.ParserCreate 仅支持四种编码，我将全部尝试。这些编码是： UTF-8、UTF-16、ISO-8859-1（Latin1）和ASCII。

您现在可以使用以下编码运行ElementTree.parse：

from xml.etree.ElementTree import ElementTree
from xml.parsers import expat
tree = ElementTree()
root = tree.parse(xml_file, parser=expat.ParserCreate('UTF-8') )
root = tree.parse(xml_file, parser=expat.ParserCreate('UTF-16') )
root = tree.parse(xml_file, parser=expat.ParserCreate('ISO-8859-1') )
root = tree.parse(xml_file, parser=expat.ParserCreate('ASCII') )

【讨论】：

你能提供更多细节吗？一些代码片段？ @Marco de Wit

【解决方案2】：

你需要建立两件事。

(a) 是否有 XML 声明以及它对编码的说明？

(b) 文件中用于表示这些字符的实际字节数是多少？

【讨论】：

感谢您的回复。文件开头有一个 XML 声明，表明编码格式为 UTF_16。