[技术贴]用Python 2.3操作XML时遇到的编码问题

最近在学习Python。不过因为Python2.3不支持GB2312编码，而我的程序需要用到中文，只好用了标准的UTF-8编码。

用了一个月也没有发现什么问题，不过周一时，当我需要通过minidom修改一个XML文件中的TextNode里的中文文本时，在保存时就会出错。查来查去找不到问题所在，令狐说Python有一个SIG(特别兴趣小组)专门处理XML的，有一个PyXML。于是我又下载了这个东东装上，但是还是有问题。

不过倒发现这个PyXML里面带了一个XPath的实现，简直是太好了，有这个东东我可以省很多代码。

因为正则表达式处理的需要，我要先把原始字符串从GB码转成UTF-8：

content = unicode( content, "mbcs" )
content = codecs.getencoder( "utf-8" )( content )[0]

这样的串在内部是以UTF-8编码的ASCII串存在的。当写入XML的TextNode时，就会把它当作ASCII编码转成UNICODE，因为它原来已经是UTF-8编码的，这样在XML保存时，就会再进行一次ASCII到UTF-8的转换，因为UTF-8的代码范围超过ASCII的范围，所以被当作错误ASCII码导致异常。

解决的办法也很简单，就是在写入XML的TextNode时，把要写入的内容指定为UTF-8编码的UNICODE：

node.replaceChild( doc.createTextNode( unicode( newtext, "utf-8" ) ), node.firstChild )

当然，保存为XML文件时也要注意，不能直接以ASCII文件的方式保存，而要指定成UTF-8编码的文件，方法如下这样通过codecs：

def saveToFile( file_name, content ) :
    f = codecs.open( file_name, "w", "utf-8" )
    f.write( content )
    f.close( )

最后，如果要保存前面那个UTF-8编码的ASCII串content，同样需要转换为UTF-8的UNICODE才行：

saveToFile( "content.htm", unicode( content, "utf-8" ) )

更多关于Python中用UNICODE处理中文的技术细节，参考令狐推荐的这篇《[Python学习]Unicode及编码处理心得》