Как прочитать простой XML-файл с помощью lxml с кодировкой iso-8859-1, используя функцию child.text - PullRequest
Новая
       28

Как прочитать простой XML-файл с помощью lxml с кодировкой iso-8859-1, используя функцию child.text

0 голосов
/ 13 июня 2019

У меня есть XML-файлы с простой структурой: 

<?xml version="1.0" encoding="iso-8859-1"?>
<DICTIONARY>
    <Tag1>
        Übung1 Übersetzung1
        Übung2 Übersetzung2
        Übung3 Übersetzung3
        Übung4 Übersetzung4
        Übung5 Übersetzung5
    </Tag1>
    <Tag2>
        Übung6 Übersetzung6
        Übung7 Übersetzung7
        Übung8 Übersetzung8
        Übung9 Übersetzung9
        Übung10 Übersetzung10
    </Tag2>
</DICTIONARY>

Я хотел прочитать эти файлы с помощью lxml из-за его простоты.Я использовал child.text для чтения частей текста, но, похоже, кодировка не передается в выходную строку.См. Код и вывод ниже.

Я уже использовал кодеки для чтения файла с iso-8859-1, но это ничего не изменило. 

from lxml import etree
import codecs

def read_xml(): 
    taglist=[]
    new_dicts=[]
    with codecs.open("A:/test/test.txt", 'r', 
                     encoding='iso-8859-1') as xmlfile:
        try:
            tree=etree.parse(xmlfile)
            loaded=True
            print ("XML-encoding: ",tree.docinfo.encoding)
        except:
            loaded=False
            print ("""No dictionary loaded or xml structure is missing! Please try again!""")


    if loaded:

        root = tree.getroot()

        for child in root:
            new_dict={}
            tagname=child.tag
            taglist.append(tagname)

            print ("Loading dictionary for tag: ",
                   tagname)
            allstrings= child.text                
            allstrings=allstrings.split("\n")

            for line in allstrings:
                if line!=" " and line!="":
                    line=line.split("\t")
                    if line[0]!="" and line[1]!="":
                        enc_line0=line[0]
                        enc_line1=line[1]
                        new_dict.update({enc_line0:enc_line1})
            new_dicts.append(new_dict)

    return taglist, new_dicts
print (read_xml())

Вывод: 

XML-encoding:  iso-8859-1
Loading dictionary for tag:  Tag1
Loading dictionary for tag:  Tag2
(['Tag1', 'Tag2'], [{'Ã\x9cbung1': 'Ã\x9cbersetzung1', 'Ã\x9cbung2': 'Ã\x9cbersetzung2', 'Ã\x9cbung3': 'Ã\x9cbersetzung3', 'Ã\x9cbung4': 'Ã\x9cbersetzung4', 'Ã\x9cbung5': 'Ã\x9cbersetzung5'}, {'Ã\x9cbung6': 'Ã\x9cbersetzung6', 'Ã\x9cbung7': 'Ã\x9cbersetzung7', 'Ã\x9cbung8': 'Ã\x9cbersetzung8', 'Ã\x9cbung9': 'Ã\x9cbersetzung9', 'Ã\x9cbung10': 'Ã\x9cbersetzung10'}])

Принимая во внимание, что я ожидал получить вывод таким же образом, как, например, с командой print ("Übung").Что я не прав?

Ответы [ 2 ]

0 голосов
/ 17 июня 2019

lxml работает с двоичными файлами. Попробуйте изменить 

with codecs.open("A:/test/test.txt", 'r', 
                 encoding='iso-8859-1') as xmlfile:

до 

with codecs.open("A:/test/test.txt", 'rb', 
                 encoding='iso-8859-1') as xmlfile:
0 голосов
/ 16 июня 2019

Хорошо, я не нашел правильного решения, но, конвертировав все вещи в UTF-8, у меня не было проблем с дальнейшими шагами - такими как сравнение слов с умлаутом из словаря и других строк.

...