在XML文件中存储VT100转义码
我正在写一个Python程序，用来记录终端的交互（类似于script程序），我想把日志存储为XML格式。
问题是，终端的交互中包含VT100转义码。Python在我把数据以UTF-8编码写入文件时并不会报错，比如：
...
pid, fd = pty.fork()
if pid==0:
os.execvp("bash",("bash","-l"))
else:
# Lots of TTY-related stuff here
# see http://groups.google.com/group/comp.lang.python/msg/de40b36c6f0c53cc
fout = codecs.open("session.xml", encoding="utf-8", mode="w")
fout.write('<?xml version="1.0" encoding="UTF-8"?>\n')
fout.write("<session>\n")
...
r, w, e = select.select([0, fd], [], [], 1)
for f in r:
if f==fd:
fout.write("<entry><![CDATA[")
buf = os.read(fd, 1024)
fout.write(buf)
fout.write("]]></entry>\n")
else:
....
fout.write("</session>")
fout.close()
这个脚本“有效”，因为它确实把文件写到了磁盘上，但生成的文件并不是正确的UTF-8格式，这导致像etree这样的XML解析器在遇到转义码时会出错。
解决这个问题的一种方法是先过滤掉转义码。但是，有没有可能做到保留转义码的同时，让生成的文件可以被像etree这样的XML工具解析呢？
3 个回答
你有没有试过把你的数据放在一个CDATA部分里？这样可以防止解析器去读取标签的内容。
正如查尔斯所说，大多数控制代码在 XML 1.0 文件中根本不能使用。
不过，如果你愿意使用 XML 1.1，那么就可以使用这些控制代码。它们不能直接写成字符，但可以用字符引用的方式来表示。例如：

因为你不能在 CDATA 区域中写字符引用（它们会被解释成“&”加上数字的形式），所以你需要去掉 <![CDATA[ 的包裹，并手动把 &<> 这些字符转换成它们的实体引用形式。
请注意，你无论如何都应该这样做：CDATA 区域并不能免除你对文本转义的责任，因为如果文本中包含了 ]]> 这个序列，CDATA 区域就会出错。（由于你总是需要进行一些转义，这使得 CDATA 区域在大多数情况下几乎没什么用。）
XML 1.1 对控制代码的限制比较宽松，但并不是所有的地方都支持它，而且你仍然不能包含 NUL 字符（�）。一般来说，在 XML 中包含控制字符并不是个好主意。你可以使用一种临时的编码方式来处理二进制数据；比如 base-64 就很流行，但人类不太容易读懂。另一种选择是，如果只有你自己的应用程序会处理这些文件，可以用私用区域的随机字符作为替代，或者把它们编码成元素（例如 <esc color="1"/>）。
你的问题不是控制代码不符合UTF-8标准，它们是符合的。问题在于ASCII中的ESC和其他字符在XML中不算是合法字符，即使是在CDATA部分也不行。
在XML 1.0中，所有值小于U+0020的合法字符只有三个：U+0009（制表符）、U+000A（换行符）和U+000D（回车符）。如果你想记录其他代码，比如转义字符（U+001B），你就得用某种方式对它们进行转义。别无选择。