개체에 deserialization xml 문제 - 특수 문자로 원치 않는 분할

Question

xml을 개체로 deserialize하려고하면 xml 트리에서 다양한 항목의 인코딩 문제가 발생합니다.

XML 예 : 파이썬

<?xml version="1.0" encoding="utf-8"?> 
<results> 
    <FlightTravel> 
    <QuantityOfPassengers>6</QuantityOfPassengers> 
    <Id>N5GWXM</Id> 
    <InsuranceId>330992</InsuranceId> 
    <TotalTime>3h 00m</TotalTime> 
    <TransactionPrice>540.00</TransactionPrice> 
    <AdditionalPrice>0</AdditionalPrice> 
    <InsurancePrice>226.56</InsurancePrice> 
    <TotalPrice>9561.31</TotalPrice> 
    <CompanyName>XXXXX</CompanyName> 
    <TaxID>111-11-11-111</TaxID> 
    <InvoiceStreet>Jagiellońska</InvoiceStreet> 
    <InvoiceHouseNo>8</InvoiceHouseNo> 
    <InvoiceZipCode>Jagiellońska</InvoiceZipCode> 
    <InvoiceCityName>Warszawa</InvoiceCityName> 
    <PayerStreet>Jagiellońska</PayerStreet> 
    <PayerHouseNo>8</PayerHouseNo> 
    <PayerZipCode>11-111</PayerZipCode> 
    <PayerCityName>Warszawa</PayerCityName> 
    <PayerEmail>no-reply@xxxx.pl</PayerEmail> 
    <PayerPhone>123123123</PayerPhone> 
    <Segments> 
     <Segment0> 
     <DepartureAirport>WAW</DepartureAirport> 
     <DepartureDate>śr. 06 lip</DepartureDate> 
     <DepartureTime>07:50</DepartureTime> 
     <ArrivalAirport>VIE</ArrivalAirport> 
     <ArrivalDate>śr. 06 lip</ArrivalDate> 
     <ArrivalTime>09:15</ArrivalTime> 
     </Segment0> 
     <Segment1> 
     <DepartureAirport>VIE</DepartureAirport> 
     <DepartureDate>śr. 06 lip</DepartureDate> 
     <DepartureTime>10:00</DepartureTime> 
     <ArrivalAirport>SZG</ArrivalAirport> 
     <ArrivalDate>śr. 06 lip</ArrivalDate> 
     <ArrivalTime>10:50</ArrivalTime> 
     </Segment1> 
    </Segments> 
    </FlightTravel> 
</results> 

XML 직렬화 해제 기능 :

# -*- coding: utf-8 -*- 

from lxml import etree 
import codecs 

class TitleTarget(object): 
    def __init__(self): 
     self.text = [] 
    def start(self, tag, attrib): 
     self.is_title = True #if tag == 'Title' else False 
    def end(self, tag): 
     pass 
    def data(self, data): 
     if self.is_title: 
      self.text.append(data) 
    def close(self): 
     return self.text 

parser = etree.XMLParser(target = TitleTarget()) 

infile = 'Flights.xml' 
results = etree.parse(infile, parser) 

out = open('wynik.txt', 'w') 
out.write('\n'.join(results)) 
out.close() 

출력 :

[ '6', 'N5GWXM', '330992 ','3h 00m ','540.00 ','0 ','226.56 ','9561.31 ','XXXXX ', '11 'Jagiello', 'Jagiello', 'Jagiello', 'Snan', 'Warszawa', 'Jagiello', 'ń', ' 스카 ', '11', '바르샤바', 'no-reply@xxxx.pl', '123123123', 'WAW', 'ś', 'r. 06 입술 ', '07 : 50', 'VIE', 'ś', 'r. 06 입술 ', '09 : 15', 'VIE', 'ś', 'r. 06 입술 ', '10 : 00', 'SZG', 'ś', 'r. 06 입술 ', '10 : 50'] 항목 'Jagiellońska'에서

특수 문자 'N'입니다. 파서가 배열에 데이터를 추가 할 때 'ń'문자는 분할 문자의 일부 왕자이며 내 질문은 왜 이런 일이 발생했는지입니다. 나머지 항목은 배열에 올바르게 추가됩니다. 'śr 06.lip'항목에서 정확히 같은 상황입니다.

Answer 1

문제는 대상 클래스의 data 메서드가 요소 당 두 번 이상 호출 될 수 있다는 것입니다. 예를 들어 피더가 블록 경계를 넘는 경우 이런 일이 발생할 수 있습니다. 비 ASCII 문자를 치는 경우에도 발생할 수 있습니다. 이것은 고대의 전설입니다. 이것이 어디에 기록되어 있는지 찾을 수 없습니다. 그러나 목표 클래스를 다음과 같이 변경하면 작동합니다. 나는 당신의 데이터에 그것을 테스트했습니다.

class TitleTarget(object): 
    def __init__(self): 
     self.text = [] 
    def start(self, tag, attrib): 
     self.is_title = True #if tag == 'Title' else False 
     if self.is_title: 
      self.text.append(u'') 
    def end(self, tag): 
     pass 
    def data(self, data): 
     if self.is_title: 
      self.text[-1] += data 
    def close(self): 
     return self.text 

, 당신의 출력이 어떤 것인지의 더 나은 이해를 얻을 구문 분석 호출 후에 print repr(results)를 수행합니다. 이제 이러한 단편 텍스트가 표시됩니다.

u'Jagiello\u0144ska\n ' 
u'\u015br. 06 lip\n  '