Python 2.7解析UTF-8编码XML时特殊字符显示问题求助

我太懂Python2.7里编码问题的糟心了！你遇到的特殊字符被转成奇怪实体/乱码的问题，核心是Python2.7区分bytes和unicode字符串，加上ElementTree默认的解析逻辑在处理UTF-8文件时容易踩坑。下面是具体的修复步骤和代码调整：

关键问题分析 #

你看到的Ettinger Straße“是因为XML里的UTF-8字符被错误地编码成了HTML实体，本质是解析时没有正确处理文件的UTF-8编码，导致ElementTree没有自动解码这些特殊字符，反而把它们当成了普通文本。

修复步骤与代码调整 #

1. 手动以UTF-8编码读取XML文件 #

Python2.7的et.parse()默认会用系统编码读取文件，这很容易导致UTF-8文件被读错。改成手动读取文件为unicode字符串，再用fromstring解析，能从根源避免编码偏差。

2. 用unicode字符串处理文本逻辑 #

Python2.7的string模块函数对unicode支持不好，改用字符串自身的方法；同时确保所有文本操作都基于unicode，避免bytes/unicode混编带来的隐性错误。

3. 正确处理输出编码 #

打印unicode字符串时，要先编码为UTF-8再输出，避免Python自动转成系统编码导致终端乱码。

修改后的完整代码：

import xml.etree.ElementTree as et
import sys
import codecs

print("using texttool_navi.py" + sXmlFile)

# 初始化变量（改用unicode类型避免编码问题）
sAddress = u''
sAcronym = u''
sPlace = u''
sData = u''

# 手动读取UTF-8 XML文件为unicode
with codecs.open(sXmlFile, 'r', 'utf-8') as f:
    xml_content = f.read()
root = et.fromstring(xml_content)

for child in root:
    if child.attrib["ID"] == sID:
        # tostring返回bytes，解码为unicode再打印
        schild = et.tostring(child, encoding='utf-8')
        print('line ' + schild.decode('utf-8'))
        
        # child.text此时应该是unicode，直接使用
        sData = child.text
        # 用unicode字符串的split方法
        sData_list = sData.split(u'"')
        print(sData_list)
        
        sAddress = sData_list[1]
        sAcronym = sData_list[3]
        sPlace = sData_list[5]
        
        if sID == 'a specific ID':
            # 用unicode字符串的replace方法
            sAddress = sAddress.replace(u'\\n', u' ')
            sAcronym = sAcronym.replace(u'\\n', u' ')
            sPlace = sPlace.replace(u'\\n', u' ')

# 输出时编码为UTF-8再打印（避免终端乱码）
print("Address: " + sAddress.encode('utf-8'))
print("Acronym: " + sAcronym.encode('utf-8'))
print("Place: " + sPlace.encode('utf-8'))

额外注意点 #

• 确保你的XML文件确实是UTF-8编码（无BOM最好），如果有BOM，读取时可以把编码改成utf-8-sig
• 所有字符串字面量前加u（比如u'"'、u'\\n'），确保是unicode类型
• 尽量避免在Python2.7中混用bytes和unicode，所有文本处理都统一用unicode，最后输出时再编码为UTF-8

内容的提问来源于stack exchange，提问作者N.Las