使用lxml解析带有日语的xml
我有以下 xml 文档：
<package>
<title>セレニティー (字幕版)</title>
...
</package>
我使用 lxml 来解析标题，如下所示：
node = etree.fromstring(file_contents)
title = node.xpath("//t:title/text()")
title
[u' \u30bb\u30ec\u30cb\u30c6\u30a3\u30fc (\u5b57\u5e55\u7248)']
但是，当我使用 title.encode(utf ，我得到了一些乱码：INSERT 到我的数据库中时-8)
セ㡡¡¡¡¤¤†ã‚£ãς⁄ (å—夕窈)
我将如何正确解析 标题在这里(セrenティー (字幕版))，这样我就可以对值进行INSERT。
I have the following xml document:
<package>
<title>セレニティー (字幕版)</title>
...
</package>
I am using lxml to parse the title as follows:
node = etree.fromstring(file_contents)
title = node.xpath("//t:title/text()")
title
[u' \u30bb\u30ec\u30cb\u30c6\u30a3\u30fc (\u5b57\u5e55\u7248)']
However, when I INSERT this into my database using title.encode(utf-8), I get gibberish:
セレニティー (å—幕版)
How would I correctly parse the title here (セレニティー (字幕版)), so I can do an INSERT of the value.
如果你对这篇内容有疑问，欢迎到本站社区发帖提问 参与讨论，获取更多帮助，或者扫码二维码加入 Web 技术交流群。
绑定邮箱获取回复消息
由于您还没有绑定你的真实邮箱，如果其他用户或者作者回复了您的评论，将不能在第一时间通知您！
发布评论
评论（2）
确保您的 MySQL 实例也设置为将 Unicode 存储为 UTF-8。
Make sure your MySQL instance is set up to store Unicode as UTF-8 as well.
实际上，这对我来说是 lxml 本身的一个问题，他们假设每个人都会默认使用 ASCII/Latin-1，这是愚蠢的。即使尝试以 UTF-8 运行解析器也可能会返回错误，请尝试像这样调用解析器：
据我所知，Shift-JIS 仍然是日语页面最常见的字符集。我的 Python/lxml 模块 http://github.com/caio1982/Amazon-Wishlist 适用于日语使用上述内容的页面。
Actually this is a problem in lxml itself to me, they assume everybody will use ASCII/Latin-1 by default, which is stupid. Even trying to run the parser in UTF-8 may return errors to you, try calling the parser like this:
Shift-JIS is still the most common charset for pages in Japanese, as far as I can see. My Python/lxml module http://github.com/caio1982/Amazon-Wishlist works with Japanese pages using the above.