python - 如何使用 Python 将此 XML 字符串转换为二进制形式？

Question

首先，我从一个用记事本以 UTF-8 编码保存的文本文件进行解析。这足以确保它是 UTF-8 格式的吗？我尝试了 chardet 模块，但它并没有真正帮助我。这是文本文件的几行，如果有人可以找到更多信息:

CUSTOMERLOC|1|N/A|N/A|LEGACY COPPER|N/A|Existing|N/A|NRZ|NRZ|N/A|N/A
FTSMAR08|01/A|N/A|N/A|LEGACY COPPER|N/A|Existing|N/A|NRZ|NRZ|N/A|N/A
FTSMAR08|01/B|N/A|N/A|LEGACY COPPER|N/A|Existing|N/A|NRZ|NRZ|N/A|N/A

我使用 lxml 模块编写我的 XML，我使用 tostring() 方法并将它分配给一个名为 data 的变量。

然后我使用 binascii 模块的 a2b_qp() 函数将 XML 字符串转换为二进制，并将所有这些放入 bytearray.

data = bytearray(binascii.a2b_qp(ET.tostring(root, pretty_print=True)), "UTF-8")

现在在我看来，这个 data 变量应该在 bytearray 中包含我的二进制形式的 XML。

所以，然后我使用更新游标并将数据插入到表的 BLOB 字段中。

row[2] = data
cursor.updateRow(row)

一切似乎都正常，但是当我使用这段代码读取 BLOB 字段时:

with arcpy.da.SearchCursor("Point", ['BlobField']) as cursor:
    for row in cursor:
        binaryRep = row[0]
        open("C:/Blob.xml, 'wb').write(binaryRep.tobytes())

当我打开 Blob.xml 文件时，我希望以可读的形式看到我最初创建的 XML 字符串，但是当我将 Notepad++ 设置为 UTF-8 编码时，我遇到了这个问题:

这与 Notepad++ 设置为 ANSI 编码的困惑:

我以为有经验的人看到图片就知道是怎么回事了。我已经阅读了很多书并试图弄明白，但我现在已经被难住了一段时间。

Answer 1

I'm parsing from a text file which I saved with notepad in UTF-8 encoding. Is this enough to make sure it's in UTF-8? I tried the chardet module, but it didn't really help me.

是的，告诉您的编辑器以给定的编码保存它就足以确保它以该编码保存。如果可能，这也应该记录在文件中的某个地方 - 使用 XML，<?xml encoding="utf-8"?>是指定它的常用方法 - 但它只是元数据，实际上并不控制编码。 chardet当您不知道编码时很有用 - 但它所做的那种猜测应该作为最后的手段保留。 UTF8 通常是一个很好的默认假设，尤其是对于 XML。

这一行的原因:

data = bytearray(binascii.a2b_qp(ET.tostring(root, pretty_print=True)), "UTF-8")

让你胡说八道的是它做了一些讨厌的事情，并以 mojibake 结束。 .

ET.tostring() 默认以 ASCII 编码(因此将丢失任何非 ASCII 范围的数据，但现在这不是重点)。所以，现在你有了一个 ASCII 字符串。 binascii.a2b_qp 解码 使用引用的可打印编码。因此，它将它从一切都是可打印 ASCII 字符的东西变成了不一定是这种情况的东西(qp 使用 3 个可打印 ASCII 字符对不在可打印 ASCII 范围内的任何字节进行编码)。这意味着，例如，如果您的文本中有任何内容说 =00，它将把它变成一个空字节。问题是您所拥有的不是 QP 编码的，因此对其进行 QP 解码会导致无意义。

然后您使用 bytearray 再次将其编码为 UTF8。 bytearray 假设如果你给它一个编码，那么这个字符串就是一个 unicode 字符串——你打破了这个假设，并给它原始的二进制数据(这已经没有意义了)。将原始二进制数据编码为 UTF8 并不是特别有意义，这一点让我相信您使用的是 Python 2。当您尝试执行此操作时，Python 3 会正确抛出错误:

>>> bytearray(b'123', 'utf8')
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
TypeError: encoding or errors without a string argument

Python 2 对什么是字节和什么是解码字符更加模糊，使得这类问题更容易遇到。如果可以的话，这是升级到 Python 3 的一个很好的理由。但这不会帮助您摆脱 a2b_qp 之前的废话(因为它是字节<->字节编码)。

---

解决方法是从一开始就用 UTF-8 编码，而忘记 quoted-printable。 (如果您确实希望它确实是 QP 编码的，请通过 binascii.b2a 运行它它是 UTF8 化的)。

ElementTree 允许您指定编码:

 ET.tostring(root, encoding='utf-8')

将为您提供正确的 UTF-8 编码 XML，它将在 Notepad++ 中很好地打开。