La libxml2 de Python ne peut pas analyser les chaînes Unicode

Question

OK, les documents pour les liaisons libxml2 de Python sont vraiment ****. Mon problème:

Un document XML est stocké dans une variable de chaîne en Python. La chaîne est une instance d'Unicode et contient des caractères non-ASCII. Je veux analyser avec libxml2, en regardant quelque chose comme ceci:

# -*- coding: utf-8 -*- 
import libxml2 

DOC = u"""<?xml version="1.0" encoding="UTF-8"?> 
<data> 
    <something>Bäääh!</something> 
</data> 
""" 

xml_doc = libxml2.parseDoc(DOC) 

avec ce résultat:

Traceback (most recent call last): 
    File "test.py", line 13, in <module> 
    xml_doc = libxml2.parseDoc(DOC) 
    File "c:\Python26\lib\site-packages\libxml2.py", line 1237, in parseDoc 
    ret = libxml2mod.xmlParseDoc(cur) 
UnicodeEncodeError: 'ascii' codec can't encode characters in position 46-48: 
ordinal not in range(128) 

Le point est la déclaration u"...". Si je le remplace par un simple "..", alors tout va bien. Malheureusement, cela ne fonctionne pas dans ma configuration, car DOC sera définitivement une instance Unicode.

Quelqu'un at-il une idée de la façon dont libxml2 peut être amené à analyser les chaînes codées en UTF-8?

Answer 1

XML est un format binaire, en dépit de ressembler à un texte. Un encodage est spécifié au début du fichier XML afin de décoder les octets XML dans le texte.

Ce que vous devez faire est de passer str, pas unicode à votre bibliothèque:

xml_doc = libxml2.parseDoc(DOC.encode("UTF-8")) 

(Bien que quelques astuces sont possibles avec site.setencoding si vous êtes intéressé par la lecture ou l'écriture unicode chaînes avec conversion automatique via locale.)

Edit:The Unicode article par Joel Spolsky est bon guide pour les caractères de chaîne par rapport octets, codages, etc.

Answer 2

Il devrait être

# -*- coding: utf-8 -*- 
import libxml2 

DOC = u"""<?xml version="1.0" encoding="UTF-8"?> 
<data> 
    <something>Bäääh!</something> 
</data> 
""".encode("UTF-8") 

xml_doc = libxml2.parseDoc(DOC) 

Le .encode ("UTF-8") est nécessaire pour obtenir la représentation binaire de la chaîne unicode avec l'encodage UTF8.