我有包含许多 UTF-8 xml 文件的 zip 存档。这些文件主要包含英文标签和文本,但少数标签包含非英文文本。打开 zip 文件并解析其中的 xml 文件没有问题,但非英语文本会丢失其编码。
当在 Notepad++ 中提取并打开 xml 文件时,非英语文本如下所示:
Курс карбованца к доллару не изменился на Украинской Межбанковской Валютной Бирже (УМВБ) - 176.100.
当它被提取并用 Python 读取时(在 linux 机器上),文本看起来像:
ÐÑÑÑ ÐºÐ°ÑбованÑа к доллаÑÑ Ð½Ðµ изменилÑÑ Ð½Ð° УкÑаинÑкой ÐежбанковÑкой ÐалÑÑной ÐиÑже (УÐÐÐ) - 176.100.
我的代码如下:
def parse(self, fp):
# open/decompress zip file
with zipfile.ZipFile(fp, 'r') as f:
# get all files in zip
comp_files = f.namelist()
for comp_file in comp_files:
cfp = f.open(comp_file, 'r')
# parse xml
tree = ElementTree.parse(cfp)
...parsing...
我已经尝试解码/编码来自 cfp 的文本,并用 codecs.EncodedFile() 包装它,输入编码为 utf_8 和 utf_8_sig,没有任何变化。我该怎么做才能修复非英文文本?
最佳答案
您看到的结果是 UTF-8 被错误地解码为 latin-1/iso-8859-1:
>>> x=u'Курс карбованца к доллару не изменился на Украинской Межбанковской Валютной Бирже (УМВБ) - 176.100.'
>>> print x.encode('utf8').decode('latin1')
ÐÑÑÑ ÐºÐ°ÑбованÑа к доллаÑÑ Ð½Ðµ изменилÑÑ Ð½Ð° УкÑаинÑкой ÐежбанковÑкой ÐалÑÑной ÐиÑже (УÐÐÐ) - 176.100.
我将以下通过 Notepad++ 编码的文本保存为一个编码为 UTF-8 且没有 BOM 的单个文件,并保存在一个 zip 文件中:
<text>Курс карбованца к доллару не изменился на Украинской Межбанковской Валютной Бирже (УМВБ) - 176.100.</text>
您的代码经过修改以使其可运行:
from xml.etree import ElementTree
import zipfile
def parse(fp):
# open/decompress zip file
with zipfile.ZipFile(fp, 'r') as f:
# get all files in zip
comp_files = f.namelist()
for comp_file in comp_files:
cfp = f.open(comp_file, 'r')
# parse xml
tree = ElementTree.parse(cfp)
print tree.getroot().text
print type(tree.getroot().text)
parse(open('file.zip'))
结果:
Курс карбованца к доллару не изменился на Украинской Межбанковской Валютной Бирже (УМВБ) - 176.100.
<type 'unicode'>
所以在我看来,它只是在您的 Linux 机器上显示不正确,但没有您正在使用的文件的实际样本,很难进一步分析。
关于python - 读取包含 UTF-8 xml 文件的 zip 时出现问题,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/10629273/