Unicode 字符串的 lxml.etree.XML ValueError

Posted 2023-02-24

【中文标题】Unicode 字符串的 lxml.etree.XML ValueError

【英文标题】：lxml.etree.XML ValueError for Unicode string

【发布时间】：2015-04-16 13:15:54

【问题描述】：

我正在用xslt 转换an xml 文档。在使用 python3 执行此操作时，我遇到了以下错误。但我对 python2 没有任何错误

-> % python3 cstm/artefact.py
Traceback (most recent call last):
  File "cstm/artefact.py", line 98, in <module>
    simplify_this_dataset('fisheries-service-des-peches.xml')
  File "cstm/artefact.py", line 85, in simplify_this_dataset
    xslt_root = etree.XML(xslt_content)
  File "lxml.etree.pyx", line 3012, in lxml.etree.XML (src/lxml/lxml.etree.c:67861)
  File "parser.pxi", line 1780, in lxml.etree._parseMemoryDocument (src/lxml/lxml.etree.c:102420)
ValueError: Unicode strings with encoding declaration are not supported. Please use bytes input or XML fragments without declaration.

#!/usr/bin/env python3
# vim:fileencoding=UTF-8:ts=4:sw=4:sta:et:sts=4:ai
# -*- coding: utf-8 -*-

from lxml import etree

def simplify_this_dataset(dataset):
    """Create A simplify version of an xml file
    it will remove all the attributes and assign them as Elements instead
    """
    module_path = os.path.dirname(os.path.abspath(__file__))
    data = open(module_path+'/data/ex-fire.xslt')
    xslt_content = data.read()
    xslt_root = etree.XML(xslt_content)
    dom = etree.parse(module_path+'/../CanSTM_dataset/'+dataset)
    transform = etree.XSLT(xslt_root)
    result = transform(dom)
    f = open(module_path+ '/../CanSTM_dataset/otra.xml', 'w')
    f.write(str(result))
    f.close()

【参考方案1】：

data = open(module_path+'/data/ex-fire.xslt')
xslt_content = data.read()

这会使用默认编码将文件中的字节隐式解码为 Unicode 文本。 （如果 XML 文件不是该编码，这可能会给出错误的结果。）

xslt_root = etree.XML(xslt_content)

XML 有自己的编码处理和信令，<?xml encoding="..."?> prolog。如果您将一个以<?xml encoding="..."?> 开头的 Unicode 字符串传递给解析器，则解析器希望使用该编码重新解释字节字符串的其余部分......但不能，因为您已经将字节输入解码为 Unicode字符串。

相反，您应该将未解码的字节字符串传递给解析器：

data = open(module_path+'/data/ex-fire.xslt', 'rb')

xslt_content = data.read()
xslt_root = etree.XML(xslt_content)

或者，更好的是，让解析器直接从文件中读取：

xslt_root = etree.parse(module_path+'/data/ex-fire.xslt')

【参考方案2】：

您还可以解码 UTF-8 字符串并在将其传递给 etree.XML 之前使用 ascii 对其进行编码

 xslt_content = data.read()
 xslt_content = xslt_content.decode('utf-8').encode('ascii')
 xslt_root = etree.XML(xslt_content)

【讨论】：

当初始声明暗示 utf-8 的可能性时，为什么要将其编码为 ascii？

我通过使用默认选项简单地重新编码使其工作：xslt_content = data.read().encode()

【参考方案3】：

我通过使用默认选项简单地重新编码使其工作

xslt_content = data.read().encode()