python - 使用 ElementTree 强制对错误的 XML 文件进行编码

Question

大量 XML 文件定义了错误的编码。它应该是 utf-8，但内容到处都是 latin-1 字符。解析此内容的最佳方式是什么？

<?xml version="1.0" encoding="UTF-8" standalone="yes"?>

编辑:这发生在 Adob​​e InDesign IDML 文件中，似乎“内容”文本具有 latin-1，但其余部分可能是 utf-8。我赞成使用 utf-8 进行正常解析，然后将 Content 中的 Unicode 文本 block 重新编码为 utf-8，然后使用 latin-1 重新进行解析。真是一团糟。ಠ_ಠ

Answer 1

您可以在解析 XML 时覆盖指定的编码:

class xml.etree.ElementTree.XMLParser(html=0, target=None, encoding=None)

Element structure builder for XML source data, based on the expat parser. html are predefined HTML entities. This flag is not supported by the current implementation. target is the target object. If omitted, the builder uses an instance of the standard TreeBuilder class. encoding 1 is optional. If given, the value overrides the encoding specified in the XML file.

docs