lxml.etree fromstring() 和 tostring() 返回的数据不同

Question

我正在学习lxml（之前用的是ElementTree），但我搞不懂为什么.fromstring和.tostring这两个方法似乎不能互相转换。下面是我的例子：

import lxml.etree as ET
f = open('somefile.xml','r')
data = f.read()
tree_in = ET.fromstring(data)
tree_out = ET.tostring(tree_in)
f2 = open('samefile.xml','w')
f2.write(tree_out)
f2.close

我有一个名为'somefile.xml'的文件，大小是132 KB。 而输出的'samefile.xml'只有113 KB，并且在某个随机的地方缺少了文件的结尾部分。整个树的关闭标签和最后一个元素的一些部分都消失了。

我的代码是不是有问题，还是说原始XML文件的结构有问题？如果是这样，我是不是只能再用BeautifulSoup或者ElementTree（不使用xpath）了？

还有一点：很多元素里面的文本有很多杂乱的东西被转换成了文本，这会导致这个问题吗？

例子：

<QuestionIndex Id="Perm"><Answer><![CDATA[confirm]]></Answer><Answer><![CDATA[NotConfirm]]></Answer></QuestionIndex>
<QuestionIndex Id="Actor"><Answer><![CDATA[GirlLt16]]></Answer><Answer><![CDATA[Fem17to25]]></Answer><Answer><![CDATA[BoyLt16]]></Answer><Answer><![CDATA[Mal17to25]]></Answer><Answer><![CDATA[Moth]]></Answer><Answer><![CDATA[Fath]]></Answer><Answer><![CDATA[Elder]]></Answer><Answer><![CDATA[RelLead]]></Answer><Answer><![CDATA[Auth]]></Answer><Answer><![CDATA[Teach]]></Answer><Answer><![CDATA[Oth]]></Answer></QuestionIndex>

Answer 1

“在某个任意点缺少文件结尾”的问题很难解释，除非有一个完整的可重复的例子。

但我怀疑你所说的“很多垃圾”其实是指CDATA部分。在你的例子中有几个这样的部分（顺便说一下，这并不是一个单一的、格式正确的XML文档）。

一般来说，XML解析器并不一定要保留CDATA部分的完整性。像这样的标记

<Answer><![CDATA[confirm]]></Answer>

其实是等同于

<Answer>confirm</Answer>    

不过，lxml.etree.XMLParser类有一个strip_cdata参数，可以用来保留CDATA部分。你可以把这个解析器的实例传给etree.fromstring()。下面是一个例子：

from lxml import etree 

XML = '<QuestionIndex Id="Perm"><Answer><![CDATA[confirm]]></Answer></QuestionIndex>'

print "Original size:", len(XML)
tree1 = etree.fromstring(XML)

out = etree.tostring(tree1)
print "With CDATA stripped:", len(out)
print out

parser = etree.XMLParser(strip_cdata=False)
tree2 = etree.fromstring(XML, parser)

out = etree.tostring(tree2)
print "With CDATA kept:", len(out)
print out

=>

Original size: 77
With CDATA stripped: 65
<QuestionIndex Id="Perm"><Answer>confirm</Answer></QuestionIndex>
With CDATA kept: 77
<QuestionIndex Id="Perm"><Answer><![CDATA[confirm]]></Answer></QuestionIndex>

Answer 2

这个问题其实比看起来简单多了，答案就在我提供的代码里。

f.close

应该是

f.close()

不同之处在于，有一些字符的剩余缓冲区没有被写入我检查结果的notepad++文件中。真正关闭文件后，一切都变得不同了，代码就正常工作了。