Python2.6.6的ElementTree输出xml中汉字变成&#xxxx的问题

Python2.6.6的ElementTree输出xml中汉字变成&#xxxx的问题：

# coding: gbk
import xml.etree.ElementTree as ET
 
rootelem = ET.Element("SystemList")
organization = ET.SubElement(rootelem, "Organization")
 
organization.attrib["label"] = "<空>"
organization.attrib["id"] = "-1"
organization.text = "测试"
 
print ET.tostring(rootelem, encoding="gbk")

输出：

<?xml version='1.0' encoding='gbk'?>

<SystemList><Organization id="-1" label="&lt;&#191;&#213;&gt;">&#178;&#226;&#202;&#212;</Organization></SystemList>

 

但在Eclipse里运行没问题，输出：

 

<?xml version='1.0' encoding='gbk'?>

<SystemList><Organization id="-1" label="<空>">测试</Organization></SystemList>

 

分析：

首先查阅xml.etree.ElementTree的源码，发现制造出“&#”的是其中的_encode_entity()函数：

 

def _encode_entity(text, pattern=_escape):
    # map reserved and non-ascii characters to numerical entities
    def escape_entities(m, map=_escape_map):
        out = []
        append = out.append
        for char in m.group():
            text = map.get(char)
            if text is None:
                text = "&#%d;" % ord(char)
            append(text)
        return string.join(out, "")
    try:
        return _encode(pattern.sub(escape_entities, text), "ascii")
    except TypeError:
        _raise_serialization_error(text)

在_escape_attrib()函数里，会调用上面的_encode_entity()函数：

def _escape_attrib(text, encoding=None, replace=string.replace):
    # escape attribute value
    try:
        if encoding:
            try:
                text = _encode(text, encoding)
            except UnicodeError:
                return _encode_entity(text)
        text = replace(text, "&", "&")
        text = replace(text, "'", "'") # FIXME: overkill
        text = replace(text, "\"", """)
        text = replace(text, "<", "<")
        text = replace(text, ">", ">")
        return text
    except (TypeError, AttributeError):
        _raise_serialization_error(text)

而ElementTree类的_write()函数里，会调用上面这个_escape_attrib()函数，所以导致了&#191;&#213;这些字符的出现。

那么为什么会去调用_encode_entity()这个函数呢？

在_escape_attrib()函数的代码里可以看到，函数是先尝试去调用_encode()函数的，失败了才会调用_encode_entity()。

 

那么我们来看看_encode()函数：

 

def _encode(s, encoding):
    try:
        return s.encode(encoding)
    except AttributeError:
        return s # 1.5.2: assume the string uses the right encoding

s="<空>"，类型是str，encoding="gbk"

这时 s.encode(encoding) 会失败，因为python会先尝试将str转变为unicode，再调用其encode方法。而在转换的时候默认是按sys.getdefaultencoding()的编码转换的，python命令行下，这个编码是ascii，在Eclipse里，这个编码是系统默认编码（中文Windows下是gbk）。

 

在python命令行下执行 "<空>".encode("gbk") ：

 

而在Eclipse里运行时，相当于已经预先执行了：

 

import sys
reload(sys)
sys.setdefaultencoding("gbk")

所以"<空>"在转换到unicode时，不会失败。

 

问题清楚了，怎么解决呢？

有两个方法：

1. 像在Eclipse里运行一样，手动添加上面三行代码，把系统默认编码从ascii变为gbk。但是这样可能会导致其他第三方库的一些兼容性问题，有可能发生某些错误的时候不能正常输出日志了。

2. 修改ElementTree的_encode()函数，改成下面这样：

 

def _encode(s, encoding):
    try:
        if isinstance(s, str):
            return s
 
        return s.encode(encoding)
    except AttributeError:
        return s # 1.5.2: assume the string uses the right encoding

可以把上面这个函数定义在自己的py文件里，然后在

import xml.etree.ElementTree as ET

后，执行：

ET._encode = _encode

覆盖掉ElementTree的_encode()函数。

但是这个方法对

import xml.etree.cElementTree as ET

无效。