python - 读取 XML 头编码

Question

我有许多 XML 文件，我想用脚本处理它们，将它们从它们所采用的任何编码转换为 UTF-8。

使用 this great answer 中给出的代码我可以进行转换，但如何读取 XML header 中给出的编码？

例如，我有很多文件已经是 UTF-8 格式，应该单独放置:

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

但是，我有很多确实需要转换的文件:

<?xml version="1.0" encoding="windows-1255"?>

如何在 Python 中检测这些文件的 header 中指定的 XML 编码？更好的是，在我检测并重新编码文件后，我如何才能将此 XML header 更改为读取“utf-8”以避免将来处理它？<​​/p>

Answer 1

使用lxml进行解析；然后你可以访问原始编码:

from lxml import etree

with open(filename, 'r') as xmlfile:
    tree = etree.parse(xmlfile)
    if tree.docinfo.encoding == 'utf-8':
        # already in correct encoding, abort
        return

然后您可以使用 lxml 以 UTF-8 格式再次写出文件。