法语和 lxml 文本答案

【问题标题】：French and lxml text法语和 lxml 文本
【发布时间】：2013-06-16 21:53:07
【问题描述】：

我正在尝试使用 lxml 将有效的法语文本字符串分配给文本字符串：

el = etree.Element("someelement")
el.text = 'Disponible Ã  partir du 1er Octobre'

我得到错误：

ValueError：所有字符串必须与 XML 兼容：Unicode 或 ASCII，否 NULL 字节或控制字符

我也试过了：

el.ext = etree.CDATA('Disponible Ã  partir du 1er Octobre')

但是我得到了同样的错误。

如何处理 XML 中的法语，尤其是 ISO-8859-1？有一些方法可以在 lxml 中的 tostring() 函数中指定编码，但不能在元素中分配文本值。

【问题讨论】：

el.text = etree.CDATA(('Disponible Ã partir du 1er Octobre').decode('utf-8')) 或 el.text = ('Disponible Ã partir du 1er Octobre' ).decode('utf-8')

标签： python lxml

【解决方案1】：

如果文本包含非 ascii 数据，那么您应该将其作为el.text 的 Unicode 字符串提供。

正如@Abbasov Alexander's answer 所示，您可以使用Unicode 文字u'' 来实现。 Python 没有引发异常，所以我假设您已经声明了 Python 源文件的字符编码（例如，在顶部使用 # coding: utf-8 注释）。这种编码定义了 Python 如何解释源代码中的非 ascii 字符，它与用于将 xml 保存到文件的编码无关。

如果文本已经在变量中并且您尚未将其转换为 Unicode，则可以使用 text.decode(text_encoding) 来完成（text_encoding 可能与 Python 源编码无关）。

令人困惑的一点可能是el.text（作为一种优化）在 Python 2 上为纯 ascii 数据返回一个字节串。它打破了不应混合字节和 Unicode 字符串的规则。虽然如果sys.getdefaultencoding() 像大多数情况下一样返回基于 ascii 的编码，它应该可以工作。

要保存 xml，请将您需要的任何字符编码传递给tostring() 或ElementTree.write() 函数。同样，这种编码与其他已经提到的编码无关。

一般来说，使用Unicode sandwich：在收到字节后立即将它们解码为 Unicode，在程序中使用 Unicode 文本，当您需要使用不支持的 API 发送文本时尽可能晚地编码为字节支持 Unicode（文件、网络）。

【讨论】：

这不是一个有点混乱的错误信息吗？用户实际上是在提供 Unicode UTF-8，它说它应该是 Unicode 或 Ascii。我认为如果它说 - 输入应该是带有 ascii 字符（或没有非 ascii 字符）的“unicode”或“str”类型会更清楚。
@Nishant：我同意。您可以在 lxml 的问题跟踪器上提出更好的措辞。不过，在 Python 3 上，它对应的是 str 和 bytes 类型。如果从答案中不清楚；我的建议：始终使用 Unicode（Python 2 上的unicode，Python 3 上的str）来表示文本。不要对 ASCII 文本使用令人困惑的 bytes 优化。无论如何，在最近的 Python 版本中，仅包含 ascii 的 Unicode 字符串不会消耗更多内存（由于 Python 3.3+ 中 Unicode 字符串的灵活表示），即优化变得更没有意义了。

【解决方案2】：

如果你有 python el.text = u'Disponible Ã partir du 1er Octobre'

【讨论】：