使用 ElementTree 对错误的 XML 文件强制编码答案

【问题标题】：Forcing encoding on bad XML files with ElementTree使用 ElementTree 对错误的 XML 文件强制编码
【发布时间】：2011-03-11 16:05:45
【问题描述】：

大量 XML 文件定义了错误的编码。它应该是 utf-8，但内容到处都是 latin-1 字符。解析此内容的最佳方法是什么？

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

编辑：这发生在 Adobe InDesign IDML 文件中，似乎“内容”文本具有 latin-1，但其余的可能是 utf-8。我倾向于使用 utf-8 进行正常解析，然后将 Content 中的 Unicode 文本块重新编码为 utf-8，然后使用 latin-1 重新解析。真是一团糟。 ಠ_ಠ

【问题讨论】：

标签： python xml encoding

【解决方案1】：

您可以在解析时覆盖 XML 中指定的编码：

class xml.etree.ElementTree.XMLParser(html=0, target=None, encoding=None)
Element XML 源数据的结构构建器，基于 expat 解析器。 html是预定义的 HTML 实体。这个标志是当前不支持执行。 target 是目标目的。如果省略，则构建器使用标准的一个实例树生成器类。编码1 是选修的。如果给定，值覆盖指定的编码 XML 文件。

docs

【讨论】：

啊，我试过了，但出错了。似乎它是 python 2.7 中的新功能。谢谢

【解决方案2】：

在解析过程中不要尝试处理编码问题，而是预处理有问题的文件。

【讨论】：

这可能比我想象的要复杂，而且文件中可能有一些真正的 UTF-8 内容。我将不得不从 Unicode 取消编码为 utf-8，然后针对可能发生的特定位置强制重新解析 latin-1。