Python 中对 XML 文件的编码转换问题

1. 在 Python 中 XML 文件的编码问题

1.Python 使用的xml.etree.ElementTree库只支持解析和生成标准的UTF-8格式的编码

2.常见GBK或GB2312等中文编码的 XML 文件，用以在老旧系统中保证 XML 对中文字符的记录能力

3.XML 文件开头有标识头，标识头指定了程序处理 XML 时应该使用的编码

4.要修改编码，不仅要修改文件整体的编码，还要将标识头中 encoding 部分的值修改

2. 处理 Python XML 文件的思路

1.读取&解码：

• 使用二进制模式读取 XML 文件，将文件变为二进制流

• 将二进制流使用.encode()方法，使用原文件的编码格式进行解析为字符串

2.处理标识头：使用.replace()方法，替换字符串中的encoding="xxx"部分

3.编码&保存：将字符串使用新的编码格式进行保存

3. 实际过程中遇到的问题

• GB2312 <&ndash;> UTF：无问题，可直接按照上面的逻辑处理

• GBK <&ndash;> UTF8

• GBK --> UTF8：无问题，可直接按照上面的逻辑处理

• UTF8 --> GBK：.encode()会报错，要加上error="ignore"参数，忽略无法转换的字符

• 这里的原理是：GBK 编码兼容 UTF-8 编码，因此无法转换的内容使用 GBK 直接也能显示

• GBK <&ndash;> GB2312：无问题

4. 最后使用的代码

# filepath -- 原文件路径
# savefilepath -- 转换后文件存储路径（默认 = 原文件路径）
# oldencoding -- 原文件的编码格式
# newencoding -- 转换后文件的编码格式
def convert_xml_encoding(filepath, savefilepath=filepath, oldencoding, newencoding):
   # Read the XML file
   with open(filepath, 'rb') as file:
       content = file.read()

# Decode the content from old encoding
   # 出现错误时忽略 errors='ignore'
   decoded_content = content.decode(oldencoding, errors='ignore')
   # decoded_content = content.decode('GBK')

# Update the encoding in the XML header
   updated_content = decoded_content.replace('encoding="{}"'.format(oldencoding),
                                              'encoding="{}"'.format(newencoding))

# Encode the content to new encoding
   # 出现错误时忽略 errors='ignore'
   encoded_content = updated_content.encode(newencoding,errors='ignore')

# Write the updated content to the file
   with open(savefilepath, 'wb') as file:
       file.write(encoded_content)

# Result output
   print(f"XML file '{os.path.basename(filepath)}'({oldencoding}) --> '{os.path.basename(savefilepath)}'({newencoding})")

# ---------------------- 使用示例 ---------------------
# GBK --> utf-8
convert_xml_encoding(filepath, savefilepath1, 'GBK', 'utf-8')
# utf-8 --> gb2312
convert_xml_encoding(filepath, savefilepath1, 'utf-8', 'gb2312')
# GBK --> gb2312
convert_xml_encoding(filepath, savefilepath1, 'GBK', 'gb2312')

注意事项：

• 由于这里需要直接替换标识头，要求编码名称一定得完全匹配，否则替换会失败

• 如：GBK 不能写成 gbk，utf-8 不能写成 UTF8此代码仅在以上 GBK、GB2312、UTF-8 & 常用中英文基础上测试，其他的编码格式不保证一定能转换成功

来源：https://blog.csdn.net/weixin_44112083/article/details/129646255