用Python从法语Word文档中提取XML的问题：生成非法字符

Question

在过去的几天里，我一直在尝试创建一个脚本，它将1）从Word文档中提取XML，2）修改该XML，3）使用新的XML来创建和保存一个新的Word文档。在许多stackoverflow用户的帮助下，我最终找到了看起来非常有前途的代码。这里是：

import zipfile
import os
import tempfile
import shutil

def getXml(docxFilename):
    zip = zipfile.ZipFile(open(docxFilename,"rb"))
    xmlString= zip.read("word/document.xml").decode("utf-8")
    return xmlString

def createNewDocx(originalDocx,xmlString,newFilename):
    tmpDir = tempfile.mkdtemp()
    zip = zipfile.ZipFile(open(originalDocx,"rb"))
    zip.extractall(tmpDir)
    with open(os.path.join(tmpDir,"word/document.xml"),"w") as f:
        f.write(xmlString)
    filenames = zip.namelist()
    zipCopyFilename = newFilename
    with zipfile.ZipFile(zipCopyFilename,"w") as docx:
        for filename in filenames:
            docx.write(os.path.join(tmpDir,filename),filename)
    shutil.rmtree(tmpDir)

getXml从docxFilename提取XML作为字符串。createNewDocx获取原始Word文档并将其XML替换为xmlString，这是原始XML的修改版本，并将生成的Word文档另存为newFilename。在

为了检查脚本是否按预期工作，我首先创建了一个测试文档（“测试.docx）并运行createNewDocx("test.docx",getXml("test.docx"),"test2.docx")。如果一切都按预期运行，那么这应该创建一个完全相同的测试.docx另存为test2.docx。确实如此。在

然后，我将测试文档变得更加详细，并尝试修改它。而且剧本仍然有效！在

然后我自信地将我的脚本应用到我真正感兴趣的Word文档中：template.docx。我运行了createNewDocx("template.docx",getXml("template.docx"),"template2.docx")，希望脚本将生成docx.docx模板但命名为template2.docx。不幸的是，新的Word文档无法打开；显然XML中有一个非法字符。在

我真的不明白为什么我的代码对我的测试文档有效，但对我的实际文档无效。我会发帖的模板.docx的XML，但它包含个人信息。两者之间的一个重要区别测试.docx以及模板.docx是这样吗模板.docx是用法语写的，因此包含特殊字符，如重音，而且撇号看起来也不同。我不知道这是否是我的麻烦，但我没有其他的想法。在

Answer 1

问题是您不小心更改了template2.docx中word/document.xml上的编码。word/document.xml（来自template.docx）最初编码为UTF-8（这是XML文档的默认编码）。在

xmlString = zip.read("word/document.xml").decode("utf-8")

但是，当您为template2.docx复制它时，您正在将编码更改为CP-1252。根据^{}的文档

In text mode, if encoding is not specified the encoding used is platform dependent: locale.getpreferredencoding(False) is called to get the current locale encoding.

您指出调用locale.getpreferredencoding(False)会给您cp1252，这是正在编写的编码word/document.xml。在

由于您没有显式地将<?xml version="1.0" encoding="cp1252"?>添加到word/document.xml的开头，Word（或任何其他XML读取器）将其读作UTF-8，而不是CP-1252，这就是导致非法XML字符错误的原因。在

因此，当使用encoding参数对open()进行写入时，您希望将编码指定为UTF-8：

^{pr2}$