如何在Windows下使用lxml解析XML时保留属性值中的换行符？

问题场景 #

在Windows系统使用lxml解析XML文档时，属性值中的换行符（\n）会被自动替换成空格，但相同代码在Linux系统下能正常保留换行符。

测试解析代码如下：

from lxml import etree

root = etree.fromstring('<root attr1="line1\nline2"/>')
print(etree.tostring(root).decode())

Windows下输出结果：

<root attr1="line1 line2"/>

而创建XML时，lxml会自动将换行符转义为
并保留：

from lxml import etree

root = etree.Element('root', attr1='line1\nline2')
print(root.attrib['attr1'])
print(etree.tostring(root).decode())

输出结果：

line1
line2
<root attr1="line1&#10;line2"/>

解决方案 #

通过创建XMLParser并关闭属性归一化（attribute_normalization=False），即可在Windows系统中禁用换行符转空格的行为。

修改后的解析代码：

from lxml import etree

# 创建解析器并关闭属性归一化
parser = etree.XMLParser(attribute_normalization=False)
root = etree.fromstring('<root attr1="line1\nline2"/>', parser=parser)
print(etree.tostring(root).decode())

此时Windows下的输出结果会保留换行符：

<root attr1="line1&#10;line2"/>

同时直接访问属性值也能拿到原始的换行符：

print(root.attrib['attr1'])
# 输出：
# line1
# line2

原理说明 #

lxml默认开启的attribute_normalization会按照XML规范对属性值中的空白字符（换行、制表符、连续空格等）进行归一化处理，将其替换为单个空格。在Windows系统中这个行为表现更显著，关闭该选项后，解析器会保留属性值中的原始空白字符，包括换行符。

内容的提问来源于stack exchange，提问作者privod