Elementtree 与 Unicode 或 UTF-8 混淆

Question

好吧，我现在有点失落。我对 unicode（或 utf-8 ？）有一些问题

我在 linux 上使用 Python3.3（但我在 windows 上遇到了同样的问题）。

我尝试用 Elementtree 创建一个 XML 文件。

    item = ET.Element("item")
    item_title = Et.SubElement(item, "title")

这当然不是全部，只是一个例子。 所以现在我想让标签“标题”有这样的文字（用随机内容替换##Content##，没关系）：

    # Thats how I create the text for the tag
    item.title.text = u'<![CDATA[##CONTENT##]>'

    # This is how I want it to look like
    <title><![CDATA[##CONTENT##]></title>

    # Thats what I get
    <title>&lt;![CDATA[##CONTENT##]&gt;</title>

    # These are some of the things I tried for writing it to an xml file
    ET.ElementTree(item).write(myOutputFile, encoding="unicode")
    myOutputFile.write(ET.tostring(item, encoding='unicode', method='xml')))
    myOutputFile.write(str(ET.tostring(item, encoding='utf-8', method='xml'))) 
    myOutputFile.write(str(ET.tostring(item)

    # Oh and thats how I open the file for writing
    myOutputFile = codecs.open(HereIsMyFile, 'w', encoding='utf-8')

我尝试搜索并发现了一些类似的听起来问题（我尝试过的一些东西已经来自 SO），但似乎没有一个有效。他们更改了输出中的一些内容，但从未显示 。 我还注意到，如果我使用 utf-8，我必须在写入文件时使用 str()。这也让我对 unicode 和 utf-8 的区别感到困惑，我试图阅读一些关于此的内容，但这并没有真正帮助我解决实际问题。

此时，我真的不知道在哪里寻找我的错误，我很想知道在哪里寻找。 这是我写入文件的方式吗？我怎么打开它？ 还是 Elementtree 导致了错误？ （我没有尝试其他东西，比如 lxml，因为好吧，我猜这意味着要重写很多东西）。

我希望你能帮助我，如果有什么不清楚的地方，我会试着解释得更好一点！

编辑：哦，我也尝试在没有编解码器的情况下打开文件，因为我在某处读到它在 Python3.x 中不再需要，但我不再那么确定了，所以我试了一下。

Answer 1

1. 使用 ElementTree 编写 XML 文档的正确方法是：

   使用 codecs.open(HereIsMyFile, 'w', encoding='utf-8'): root.write(myOutputFile)

2. 如果为write() 指定编码，则必须使用what the XML standard defines。 unicode 不是编码，而是标准。

3. ElementTree 不支持 CDATA。您看到的效果是 ElementTree 注意到节点的 text 中的特殊字符并将其转义；没有办法阻止这种情况。

   此答案包含 CDATA 元素的实现：How to output CDATA using ElementTree

Answer 2

这里似乎有几层混乱。

先走低层：UTF-8等编码将Unicode字符转换成字节。你的问题是你生成的 XML 中的字符不是你想要的，与这些字符如何存储为字节无关，所以那里没有什么可以修复的。

其次，您似乎从这一行中期待错误的东西：

item.title.text = u'<![CDATA[##CONTENT##]>'

这告诉 ElementTree 您希望在已解析文档中包含该文本。考虑一下：

item.title.text = u'I <3 ASCII art.'

ElementTree 不会将其直接存储在标记中：它会将其转换为

<title>I &lt;3 ASCII art.</title>

同样：

item.title.text = u"This </title> isn’t the end of the title"

变成

<title>This &lt;/title&gt; isn&#8217;t the end of the title</title>

希望您能看到它的价值：无论您在其中放置什么文本，它都不会破坏元素标记，或者确实以任何方式影响它。

请注意，由于这种自动转换，您很可能根本不需要 CDATA 部分。

如果出于某种原因你这样做了，你可以通过明确说明来做到这一点（使用 lxml.etree）：

title = lxml.etree.Element('title')
title.text = lxml.etree.CDATA('###CONTENT###')
print(lxml.etree.tostring(title))

输出：

<title><![CDATA[###CONTENT###]]></title>