Python xml 模块的一个坑

这个坑出在文件编码上。
当你使用 doc.writexml(f, encoding="utf-8") 时，这里的 encoding 只会在 xml 标签上添加encoding="utf-8"标签，而 xml 文件内容本身的编码，是没有改变的。
这就意味着，如果你写入中文，无论你怎么 encode 、decode，最终只会得到一个充满乱码的 xml 文件。
正确的写法是这样：

with open(file, "w", encoding="utf-8") as f:
    doc.writexml(file, encoding="utf-8")

在 open 方法里面加入 encoding="utf-8"，才会改变文件的编码。

这个坑还没有人专门写，所以记录一下，希望能帮到一些人。

encoding

utf-8

xml

编码

10 条回复 • 2020-08-20 16:16:37 +08:00

learningman

2020-08-17 11:47:43 +08:00

说明看文档要仔细

Jirajine

2020-08-17 11:51:34 +08:00 via Android

Python 的这个编码问题一直都很坑，别的大多数语言字符串都是 utf-8 encoded bytes，唯独 Python 的字符串是未编码的，而且编码时默认还是平台的编码而不是一律 utf-8 。

Nitroethane

2020-08-17 11:55:03 +08:00

这怕是你没仔细看文档吧，文档里清楚地写了 “For the Document node, an additional keyword argument encoding can be used to specify the encoding field of the XML header.”，人可没说是指定文件内容的编码

abersheeran

2020-08-17 12:59:17 +08:00

我个人觉得是你不懂 open 这个内置函数以及文件编码导致的。

abersheeran

2020-08-17 12:59:48 +08:00

@Jirajine 兄弟，这都 2020 年了，你还在这念 Python2 的经？

fhsan

2020-08-17 13:08:23 +08:00

都什么年代了，还分不清编码问题，python 获取当前操作系统编码，如果你想保持一致，write 、open 文本文件都要指定编码。统一编码是不可能的

Jirajine

2020-08-17 13:34:44 +08:00 via Android

@abersheeran 说的就是 Python3 啊，别的语言 string 可以直接当成 utf-8 encoded bytes 用，唯独 Python 需要额外把 string encode 成 bytes，并且默认参数在 Windows 下还不是 utf-8 。
至于内部如何表示那是另一回事了，string 暴露出来的接口就是未编码的字符串对象，需要调用 encode()才会变成 bytes 。

abersheeran

2020-08-17 19:47:48 +08:00

@Jirajine 你说的别的语言怕是 C 这种弱类型吧。哪个强类型语言还能把 string 当 bytes 用的？你举个例子。

Jirajine

2020-08-17 20:00:44 +08:00 via Android

@abersheeran golong 、rust 都是这样。
我上面的描述不太准确，不是把 string 当 bytes 用，而是 string 就是 utf-8 encoded bytes 。
因此把 string 往文件写不需要指定编码，string 就是二进制的 bytes，写二进制数据当然不需要指定编码。

abersheeran

2020-08-20 16:16:37 +08:00

@Jirajine Python3 的 str 不就是默认 utf8 的？往文件里写需要指定编码是因为默认使用你操作系统的编码打开的，因为你是中国人，win 选择中文，所以默认是 gbk 。但 Windows10 有强制 utf8 的选项，你要是不怕某些垃圾软件不兼容 utf8，你可以开开，就没这个问题了。