使用python和lxml忽略xml中的unicode？

Question

我想忽略我的xml中的unicode。我愿意以某种方式在输出处理中进行更改。

我的python：

import urllib2, os, zipfile 
from lxml import etree

doc = etree.XML(item)
docID = "-".join(doc.xpath('//publication-reference/document-id/*/text()'))
target = doc.xpath('//references-cited/citation/nplcit/*/text()')
#target = '-'.join(target).replace('\n-','')
print "docID:    {0}\nCitation: {1}\n".format(docID,target) 
outFile.write(str(docID) +"|"+ str(target) +"\n")

创建以下内容的输出：

docID:    US-D0607176-S1-20100105
Citation: [u"\u201cThe birth of Lee Min Ho's donuts.\u201d Feb. 25, 2009. Jazzholic. Apr. 22, 2009 <http://www

但是，如果我尝试重新添加，则'-'join(target).replace('\n-','')对于print和都会出现此错误outFile.write：

Traceback (most recent call last):
  File "C:\Documents and Settings\mine\Desktop\test_lxml.py", line 77, in <module>
    print "docID:    {0}\nCitation: {1}\n".format(docID,target)
UnicodeEncodeError: 'ascii' codec can't encode character u'\u201c' in position 0: ordinal not in range(128)

如何忽略unicode，以便可以target使用outFile.write？

Answer 1

之所以出现此错误，是因为您尝试使用ascii字符集输出带有unicode-characters的字符串。打印列表时，您将获得列表的“ repr”以及其中的字符串，从而避免了该问题。

您需要编码为其他字符集（例如，UTF-8），或者在编码时去除或替换无效字符。

我建议阅读Joels ，绝对绝对是每个软件开发人员的绝对最低知识，肯定要了解Unicode和字符集（无借口！），然后阅读Python文档中有关编码和解码字符串的相关章节。

这是一个入门的小提示：

print "docID:    {0}\nCitation: {1}\n".format(docID.encode("UTF-8"),
                                              target.encode("UTF-8"))