用python中的elementtree处理xml文件中的不规则字符

Question

我正在使用ElementTree.parse函数解析用utf-16编码的xml文件。 当文件包含一些格式不正确的字符（如♀, ♂等）并且出现错误“xml.parsers.expat.ExpatError: not well-formed (invalid token)”时，程序将崩溃。 如何避免此错误并解决此问题？我怎么能忽略这些格式不好的字符呢？谢谢！以下是我的代码：

tree = ElementTree()
root = tree.parse(xml_file)

xml_file是以UTF-16格式编码的文件。 错误会指出格式不正确的字符的行号和列号。

Answer 1

因为xml.parsers.expat.ParserCreate只支持四种编码，所以我会全部尝试。这些编码是： UTF-8、UTF-16、ISO-8859-1（Latin1）和ASCII。

现在可以使用如下编码运行ElementTree.parse：

from xml.etree.ElementTree import ElementTree
from xml.parsers import expat
tree = ElementTree()
root = tree.parse(xml_file, parser=expat.ParserCreate('UTF-8') )
root = tree.parse(xml_file, parser=expat.ParserCreate('UTF-16') )
root = tree.parse(xml_file, parser=expat.ParserCreate('ISO-8859-1') )
root = tree.parse(xml_file, parser=expat.ParserCreate('ASCII') )

Answer 2

你需要确定两件事。

（a）是否有XML声明，它对编码有何说明？

（b）文件中用于表示这些字符的实际字节是多少？