Python minidom读取编码不符XML报错，如何指定编码而非手动修改？

这个问题我之前也碰到过，那些“声明编码和实际编码不匹配”的XML文件确实挺头疼的！不用手动修改XML文件的话，有几个优雅的处理方案：

方案1：手动指定正确编码读取文件 #

既然你已经知道这类文件实际是ISO-8859-1编码，那可以跳过parse()方法的自动编码检测，手动用正确编码读取文件内容，再用parseString()解析字符串：

from xml.dom.minidom import parseString

for File in Data['FileList']:
    # 以实际编码读取文件内容
    with open(File, 'r', encoding='ISO-8859-1') as xml_file:
        xml_content = xml_file.read()
    # 解析字符串形式的XML
    dom = parseString(xml_content)
    # 执行你的后续操作
    # do something

方案2：自动检测文件编码（更通用） #

如果不确定所有问题文件的实际编码，推荐用chardet库自动检测编码，这样能兼容更多编码不匹配的场景：

首先安装依赖库：

pip install chardet

然后修改脚本：

from xml.dom.minidom import parseString
import chardet

for File in Data['FileList']:
    # 先以二进制模式读取原始数据
    with open(File, 'rb') as xml_file:
        raw_data = xml_file.read()
    # 自动检测编码
    detect_result = chardet.detect(raw_data)
    actual_encoding = detect_result['encoding']
    # 用检测到的编码解码为字符串
    xml_content = raw_data.decode(actual_encoding)
    # 解析XML
    dom = parseString(xml_content)
    # do something

为什么原来的代码会报错？ #

minidom.parse()方法会默认根据XML声明里的编码（比如<?xml version="1.0" encoding="UTF-8"?>）去读取文件，但如果文件实际保存的编码和声明不一致（比如实际是ISO-8859-1），就会出现ExpatError错误。而我们先手动用正确编码把文件解码为Unicode字符串，再交给parseString()解析，就绕开了这个编码不匹配的问题。

内容的提问来源于stack exchange，提问作者user3884301