用漂亮的汤处理 xml 的编码错误

Posted 2023-02-23

【中文标题】用漂亮的汤处理 xml 的编码错误

【英文标题】：handling encoding error with xml with beautiful soup

【发布时间】：2019-07-16 17:04:18

【问题描述】：

我的 xml 文件是这样编码的：

<?xml version="1.0" encoding="utf-8"?>

我正在尝试使用漂亮的汤来解析这个文件。

from bs4 import BeautifulSoup

fd = open("xmlsample.xml")  
soup = BeautifulSoup(fd,'lxml-xml',from_encoding='utf-8')

但这会导致

Traceback (most recent call last):
  File "C:\Users\gregg_000\Desktop\Python 
Experiments\NRE_XMLtoCSV\NRE_XMLtoCSV\bs1.py", line 4, in <module>
    soup = BeautifulSoup(fd,'lxml-xml', from_encoding='utf-8')
  File 
"C:\Users\gregg_000\AppData\Local\Programs\Python\Python36\lib\site- 

packages\bs4__init__.py"，第 245 行，在 init 中 标记 = 标记.read() 文件

"C:\Users\gregg_000\AppData\Local\Programs\Python\Python36\lib\encodings\cp125 2.py"，第 23 行，在解码中 返回 codecs.charmap_decode(input,self.errors,decoding_table)[0] UnicodeDecodeError：“charmap”编解码器无法解码位置的字节 0x9d 5343910：字符映射到未定义

我的感觉是 Python 想要使用默认的 cp1252 字符集。如何强制使用 utf-8 而不必求助于命令行？ （我处于一个无法轻易强制对 python 设置进行全局更改的设置中）。

【问题讨论】：

您能否编辑问题以显示完整的错误消息？

【参考方案1】：

您还应该将编码添加到您的 open() 调用中（这是一个可接受的参数，如 the docs 所示）。默认情况下，在 Windows 中（至少在我的安装中），默认情况下，如您所料，cp1252。

from bs4 import BeautifulSoup

fd = open("xmlsample.xml", encoding='utf-8')
soup = BeautifulSoup(fd,'lxml-xml',from_encoding='utf-8')