使用 ElementTree 编写带有 utf-8 数据的 xml utf-8 文件答案

【问题标题】：Write xml utf-8 file with utf-8 data with ElementTree使用 ElementTree 编写带有 utf-8 数据的 xml utf-8 文件
【发布时间】：2012-04-20 06:20:58
【问题描述】：

我正在尝试使用 ElementTree 编写一个带有 utf-8 编码数据的 xml 文件，如下所示：

#!/usr/bin/python                                                                       
# -*- coding: utf-8 -*-                                                                   

import xml.etree.ElementTree as ET
import codecs

testtag = ET.Element('unicodetag')
testtag.text = u'Töreboda' #The o is really &#246; (o with two dots over). No idea why SO dont display this
expfile = codecs.open('testunicode.xml',"w","utf-8-sig")
ET.ElementTree(testtag).write(expfile,encoding="UTF-8",xml_declaration=True)
expfile.close()

这会因错误而崩溃

Traceback (most recent call last):
  File "unicodetest.py", line 10, in <module>
    ET.ElementTree(testtag).write(expfile,encoding="UTF-8",xml_declaration=True)
  File "/usr/lib/python2.7/xml/etree/ElementTree.py", line 815, in write
    serialize(write, self._root, encoding, qnames, namespaces)    
  File "/usr/lib/python2.7/xml/etree/ElementTree.py", line 932, in _serialize_xml
    write(_escape_cdata(text, encoding))
  File "/usr/lib/python2.7/codecs.py", line 691, in write
    return self.writer.write(data)
  File "/usr/lib/python2.7/codecs.py", line 351, in write
    data, consumed = self.encode(object, self.errors)
UnicodeDecodeError: 'ascii' codec can't decode byte 0xc3 in position 1: ordinal not in range(128)

使用“us-ascii”编码可以正常工作，但不要保留数据中的 unicode 字符。发生了什么？

【问题讨论】：

标签： python elementtree

【解决方案1】：

codecs.open 期望将 Unicode 字符串写入文件对象，并将处理编码为 UTF-8。 ElementTree 的write 将Unicode 字符串编码为UTF-8 字节字符串，然后再将它们发送到文件对象。由于文件对象需要 Unicode 字符串，它使用默认的 ascii 编解码器将字节字符串强制回 Unicode，并导致 UnicodeDecodeError。

这样做：

#expfile = codecs.open('testunicode.xml',"w","utf-8-sig")
ET.ElementTree(testtag).write('testunicode.xml',encoding="UTF-8",xml_declaration=True)
#expfile.close()

【讨论】：

+1。只是为了澄清这一点：问题是您尝试对 unicode->utf-8 进行两次编码：ElementTree 执行一次，然后启用编解码器的流尝试再次执行此操作。但是第二次传递变得混乱，因为它的输入已经编码（它需要一个 unicode 字符串，但得到一个 utf-8 编码的字节字符串）。
在这里，我一直认为我正在通过提供 unicode 文件来提供帮助...我可以说我喜欢 stackoverflow 吗？ 3小时内完美解答！标记的详细说明也解释了很多。
我一直在处理 utf-8 数据，并在尝试写入 xml 文件时在 ElementTree._serialize_text() 或 _serialize_xml() 中收到了类似的错误。在将字符串添加到我的 ET.Element 对象之前，我能够通过使用 myString.decode('utf-8') 将字符串转换为 unicode 来解决它。似乎 ET.ElementTree.write() 对其他字符串编码不满意。