Python中XML解析、属性修改及写入时如何保持UTF-8编码？

问题根源 #

你遇到的实体编码问题，是因为xml.etree.ElementTree的ET.tostring()方法默认会将非ASCII字符（比如ó、é）转换为XML实体引用（如ó、é）。虽然这符合XML规范，但不符合你保留原始UTF-8字符的需求。

解决方案 #

修改ET.tostring()的调用参数，让它直接输出不转义的Unicode字符串，同时优化代码效率：

修改后的代码 #

import xml.etree.ElementTree as ET
from googletrans import Translator

# 仅初始化一次翻译器，避免循环内重复创建
translator = Translator()

with open("input file.txt", "r", encoding='utf-8') as input_file:
    with open("output file.txt", "w", encoding='utf-8') as output_file:
        for ligne in input_file:
            # 处理空行，保留原格式
            stripped_line = ligne.strip()
            if not stripped_line:
                output_file.write(ligne)
                continue
            
            # 尝试解析XML元素，非元素行直接原样写入
            try:
                root = ET.fromstring(stripped_line)
            except ET.ParseError:
                output_file.write(ligne)
                continue
            
            # 仅当元素存在CH属性时进行翻译
            current_text = root.get("CH")
            if current_text:
                translated_text = translator.translate(dest="pt", src="fr", text=current_text)
                root.attrib["CH"] = translated_text.text
            
            # 生成不转义特殊字符的XML字符串
            decoded_string = ET.tostring(root, encoding='unicode')
            # 保持原行的缩进格式，直接写入并换行
            output_file.write(decoded_string + '\n')

关键修改点 #

1. ET.tostring(root, encoding='unicode')
   指定encoding='unicode'后，方法会直接返回Unicode字符串，不会对UTF-8范围内的特殊字符进行实体转义，这样就能保留vitória、é这类原始字符。

2. 翻译器初始化移到循环外
   原代码每次循环都创建Translator实例，会造成不必要的性能开销，移到循环外仅初始化一次即可。

3. 增加异常处理
   针对XML声明、空行这类非元素行，直接原样写入，避免解析报错。

验证结果 #

修改后，输出文件的CH属性值会保留原始UTF-8字符，符合你的预期：

<?xml version="1.0" encoding="UTF-8"?>
<SCRIBUSUTF8NEW Version="1.5.5">
        <StoryText>
                <DefaultStyle ALIGN="1" SCALEV="100" BASEO="0" KERN="0"/>
                <ITEXT FONT="Times New Roman Bold" BASEO="0" KERN="0" CH="A vitória é nossa" />
                <para ALIGN="1" LINESP="10"/>
                <ITEXT FONT="Times New Roman Bold" SCALEH="100" SCALEV="100" BASEO="0" KERN="0" CH="Vida longa ao" />
                <trail ALIGN="1" LINESP="10"/>
        </StoryText>
</SCRIBUSUTF8NEW>

内容的提问来源于stack exchange，提问作者JB B