python xml & encode

uranusllj

bbb.xml内容The Cathedral & the BazaarEric S. RaymondMaking TeX WorkNorman Walsh
脚本a.py#!/usr/bin/python import xml.saximport pprintfrom xml.sax import make_parser, parseString
class BookHandler(xml.sax.handler.ContentHandler):
        def __init__(self):                self.inTitle = 0                self.mapping = {}
        def startElement(self, name, attributes):
                if name == "book":                        self.buffer = ""                        self.isbn = attributes["isbn"]                elif name == "title":                        self.inTitle = 1
        def characters(self, data):                if self.inTitle:                        self.buffer += data
        def endElement(self, name):                if name == "title":                        self.inTitle = 0                        self.mapping[self.isbn] = self.buffer
parser = xml.sax.make_parser()handler = BookHandler()parser.setContentHandler(handler)document = file("bbb.xml")text = document.read().replace("GB2312",'utf-8',1)utfdoc = text.decode("gb2312").encode("utf-8")xml.sax.parseString(text,handler)pprint.pprint(handler.mapping)注：python 的xml.sax对中文的支持不好，所以这里先把xml里的gb2312先替换成utf-8，并把文件的编码也改成utf-8，然后再处理。注意处理完后再把他还原成gb2312，要不可能会显示异常。另外，有些情况直接用parser.parse(document)也可以，parser.parse()后面带的参数为文件名，或文件句柄，parser.parse后可带handler参数，该参数必须是SAX ContentHandler 实例。parseString(string, handler[, error_handler])类似于parse(),带的参数为字符串，需要通过xml.sax.parseString()来调用。


本文来自ChinaUnix博客，如果查看原文请点：http://blog.chinaunix.net/u/14754/showart_2037453.html