ElementTree的替代XML解析器，以缓解UTF-8的困境？

Question

我正在用elementtree.parse（）函数解析一些XML。它可以工作，除了一些utf-8字符（128以上的单字节字符）。我看到默认的解析器是基于expat的XMLTreeBuilder。

是否有一个替代的解析器，我可以使用它可能不那么严格，并允许utf-8字符？

这是我在使用默认解析器时遇到的错误：

ExpatError: not well-formed (invalid token): line 311, column 190

导致这种情况的字符是单字节x92（十六进制）。我不确定这是不是一个有效的utf-8字符。但最好能处理它，因为大多数文本编辑器都将其显示为：

编辑：字符的上下文是：cant，这里我假设它是一个奇特的使徒，但是在十六进制编辑器中，相同的顺序是：63616e9274

Answer 1

看起来你有CP1252文本。如果是，则应在文件顶部指定，例如：

<?xml version="1.0" encoding="CP1252" ?>

这确实适用于ElementTree。

如果您自己创建这些文件，请不要用这种编码方式编写它们。将它们保存为UTF-8并尽自己的一份力量来帮助消除过时的文本编码。

如果您接收的是没有编码规范的CP1252数据，并且您确定它总是CP1252，那么您可以在将其发送到解析器之前将其转换为UTF-8：

s.decode("CP1252").encode("UTF-8")