Python'\u2029'是XML不兼容的Unicode吗？

Question

我正在使用python3.6.4和lxml4.1.1。在读取/解析etree时，我对12个Unicode分隔符进行了转义。PSEP如下所示：

line = line.replace('\u2029', ' %(#u2029)s '

经过大量筛选/处理后，我将行保存到一个新的XML文件中，代码如下：

seg = etree.SubElement(tuv, 'seg')
seg.text = line.replace('%(#u2029)s', '\u2029')

产生以下回溯：

Traceback (most recent call last):
  File "C:\process-tmx\", line 267, in run
    seg.text = line.replace('%(#u2029)s', '\u2029')
  File "src\lxml\xtree.pyx", line 1033, in lxml.etree._Element.text.__set__ (src\lxml\etree.c:55075)
  File "src\lxml\apihelpers.pxi", line 716, in lxml.etree._setNodeText (src\lxml\etree.c:25862)
  File "src\lxml\apihelpers.pxi", line 704, in lxml.etree._createTextNode (src\lxml\etree.c:25725)
  File "src\lxml\apihelpers.pxi", line 1444, in lxml.etree._utf8(src\lxml\etree.c:32944)
ValueError: All strings must be XML compatible: Unicode or ASCII, no NULL bytes or control characters

这是否意味着“\u2029”是XML不兼容的Unicode？我该如何逃脱它？你知道吗

谢谢

Answer 1

在Unicode-In-XML和其他标记语言文档中，有一个部分叫做Characters not Suitable for Use in Markup。本节实际上并没有规定U+2029在XML中是非法的，但它表示不鼓励使用它。你知道吗

阅读整个章节了解详细信息，但简短版本如下：

如果您实际使用它作为段落分隔符，那么应该为您的特定XML语言使用段落分隔符。文档中的示例是XHTML的<xhtml:br />或<xhtml:p></xhtml:p>。你知道吗

如果您只是将它作为非XML文本中间的一个字符来使用，而您正将它塞进XML文档中的一个字段中，那么您将需要对它进行转义。怎样？好吧，如果您同时编写创建代码和消费代码，您可以根据需要对其进行转义，只要您可以在另一端取消转义即可。如果其他人正在编写消费代码，您必须生成他们所期望的任何代码。如果消费代码是通用的（比如在Firefox中显示原始XML），那么您希望它是最终用户可读的。你知道吗

对于最后一种情况，实际上，您可能只想使用U+2029，尽管它被“劝阻”。但看起来lxml不会让你这么做，因为它比必要的更严格。这并不是太不合理（你知道，严格控制你生产的东西，自由控制你消费的东西等等），但是如果你有一个恼人的用例，它仍然恼人。在这种情况下，您需要找到一种方法来覆盖它在没有配置设置的情况下所做的操作，比如在lxml中一直对其进行编码，然后在lxml完成后，在将其写入文件/套接字/任何内容之前对其进行转换。你知道吗