XML/RSS教程
lxml,xml,字符编码
XML/RSS教程
为了简化问题,就把xml的内容简化为如下的形式:
delphi access 源码,ubuntu下东西好慢,帆软的tomcat在哪,爬虫 url多重,判断是否素数php,4m带宽服务器慢影响seolzw
<![CDATA[中文,就是任性]]>
它的encoding为gbk,其中的节点有一个为中文字符
使用lxml提取节点的值时出现了如下的异常
最新 流行 超级 极品 源码,ubuntu开启端口限制,睡觉有爬虫感,山西省PHP开发工程师招聘,台州seo地址lzw
lxml.etree.XMLSyntaxError: Extra content at the end of the document
此时对应的Python脚本为:
ce修改器 源码,vscode 调制控制台,Ubuntu修改wifi,怎么查tomcat运行,建站带爬虫,php怎么新建文件夹权限,零基础seo实战培训收录,app搭建网站源码lzw
tst = u<![CDATA[中文,就是任性]]>for event,element in etree.iterparse(BytesIO(tst.encode(utf-8))): print("%s, %s" % (element.tag, element.text))
不过简化之前,报的是另外一个异常
lxml.etree.XMLSyntaxError: input conversion failed due to input error, bytes 0x8B 0x2C 0xE6 0x9D
不论异常是哪一个,猜测还是和字符的编码形式有关。
经过各种尝试无果,后来在stackoverflow上看到这篇文章,文中提到的问题和xml中的encoding值有关,尝试了增加了一段代码
tst = u<![CDATA[中文,就是任性]]> st = tst.replace(encoding="gbk", encoding="utf-8")for event,element in etree.iterparse(BytesIO(tst.encode(utf-8))): print("%s, %s" % (element.tag, element.text))
增加了一个替换的语句,将之前的encoding=”gbk”替换成encoding:”utf-8″
于是终于得到了结果:
da, 中文,就是任性DOCUMENT, None