Discussion :

[Shadew]

Bonjour, je cherche à parser un fichier XML contenant des accents. J'éprouve des problèmes d'encodage et je trouve assez difficilement des informations sur le net. J'utilise pour le moment minidom pour parser un fichier encodé en ISO-8859-1. Voici mon code:

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
6
7
8
9
10
11
 
try:
	fileXML = open(fichierXML, 'r+')
	fileXML = fileXML.read()
	fileXML = u'%s'.encode(fichierEncodXML)%fileXML
except IOError, message:
	print >> sys.stderr, 'File could not be opened:', message
	raw_input( '\nAppuyer sur une touche...' )
	sys.exit( 1 )
 
document = xml.dom.minidom.parseString(fileXML) #on parse le document

Et voici le code d'erreur:

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
6
7
8
9
10
11
12
 
Traceback (most recent call last):
  File "profils.py", line 45, in <module>
    document = xml.dom.minidom.parseString(fileXML) #on parse le document
  File "C:\Python25\lib\xml\dom\minidom.py", line 1923, in parseString
    return expatbuilder.parseString(string)
  File "C:\Python25\lib\xml\dom\expatbuilder.py", line 940, in parseString
    return builder.parseString(string)
  File "C:\Python25\lib\xml\dom\expatbuilder.py", line 223, in parseString
    parser.Parse(string.decode('ISO-8859-1'), True)
UnicodeEncodeError: 'ascii' codec can't encode characters in position 62-63: ord
inal not in range(128)

J'ai déjà essayé pas mal de combinaisons avec les fonctions encode et decode mais rien ne fonctionne :s Quelqu'un pourrait-il m'aider svp?

Merci beaucoup!!

[genemartin]

c'est l'inverse qu'il faut faire avec decode

En tête de script, il faut mettre :

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

# encoding: utf-8

ou autre encoding, on sait que le script va travailler en encoding utf

et puis

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

fileXML = fileXML.read().decode('iso-8859-1')

pour décoder un fichier en 'iso-8859-1'

ou

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

line = fileXML.readline().decode('iso-8859-1')

On peut alors traiter le fichier et pour l' enregistrer dans l'encodage que l'on veut, alors

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

encode('iso-8859-1')

Après de nombreuses expériences avec les traitements de fichiers xml, je trouve qu'il est beaucoup plus facile de travailler avec ElementTree (module standard à partir de Python 2.5)

[Shadew]

Comme mon script est en ISO, j'ai mis ça en tête de script:

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
 
#-*- coding: ISO-8859-1 -*-

En essayant avec

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
6
7
8
9
10
11
 
try:
	fileXML = open(fichierXML, 'r+')
	fileXML = fileXML.read().decode('iso-8859-1')
	fileXML = u'%s'.encode('iso-8859-1')%fileXML
except IOError, message:
	print >> sys.stderr, 'File could not be opened:', message
	raw_input( '\nAppuyer sur une touche...' )
	sys.exit( 1 )
 
document = xml.dom.minidom.parseString(fileXML) #on parse le document

j'obtient toujours le même résultat. Si je retire la ligne ou j'encode en iso, ça ne change rien. J'ai voulu essayé d'utiliser ElementTree mais là j'ai:

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
 
xml.parsers.expat.ExpatError: syntax error: line 2, column 18

Mais j'arrive pas à décoder le fichier (quand je fais file.encode ou file.decode, il me dit qu'il n'y a pas de tel attribut, je ne sais donc pas comment jouer sur l'encodage). Si tu as un truc pour utiliser ElementTree avec un fichier à accent, ça m'arrangerait tout aussi bien, je cherche juste à lire un fichier XML avec un parser assez rapide.

EDIT: le problème est résolu, il suffit de passer par bautifulSoup:

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
from xml.etree.ElementTree import fromstring
from BeautifulSoup import BeautifulStoneSoup as bs
tree = fromstring(str(bs(open(fichierXML)))) #on charge le fichier XML avec ElementTree via BeautifulSoup

Merci et bon codage !!

[genemartin]

normalement, si ton fichier xml est encodé en "ISO-8859-1" et que ton script indique aussi cet encodage, alors il n'y a pas besoin d'utiliser decode ou encode

[kali38]

Bonjour,

Je fais face à la même problématique, je cherche un peu d'aide pour comprendre pourquoi mon script ne marche pas. J'essai de parser un fichier xml qui contient bien en debut de ligne <?xml version="1.0" encoding="utf-8"?> avec le script suivant

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
6
 
path = "/home/..........."
....
for files in xml_list:
doc = minidom.parse(path + files)
....

mais ca ne marche pas et me renvoi l'erreur

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
 
ExpatError('not well-formed (invalid token)...........................

et ce que j'ai compris c'est parce que dans mon fichier xml il y a des accents et du coup ca plante mais je ne sais pas comment resoudre le probleme

merci