如何读入Python的特殊字符

Question

我正在分析一个XML文件，其中包含一些作者姓名(í = í , ï = ï , ò = ò etc)中的外语特殊字符。我的代码在尝试处理这些字符时遇到错误“ExpatError:undefined entity:”。我在网上看过beauthulsoup库，但不确定如何在不必重写lxml库的情况下轻松地将其实现到我的代码中（如果我的理解是正确的话）。解决这个问题的最好办法是什么？干杯！在

要加载的XML数据

<pub>
    <ID>75</ID>
    <title>Use of Lexicon Density in Evaluating Word Recognizers</title>
    <year>2000</year>
    <booktitle>Multiple Classifier Systems</booktitle>
    <pages>310-319</pages>
    <authors>
        <author>Petr Slav&iacute;k</author>
        <author>Venu Govindaraju</author>
    </authors>
</pub>

Python代码

^{pr2}$

Answer 1

如果您使用的是python3.x，只需导入html，您可以先对提取的数据进行解码

在html.unescape（秒）

将字符串s中的所有命名和数字字符引用（例如，>；、>；、&x3e；）转换为相应的unicode字符。在

>>import html
>>print(html.unescape("Petr Slavík"))

Petr Slavík

Seems the html-safe character cannot be parsed and returned as Document object by minidom, you have to read the file and decode it, then send as a string to the module, as the following code.

在xml.dom.minidom.parseString（字符串[，解析器]）

返回表示字符串的文档。在

^{pr2}$

Answer 2

.encode('UTF-8') #Add to your code at the end of the example

UTF-8支持以下大多数字符：， 应该有用， 添加：

^{pr2}$