Python 中对 XML 文件的编码转换

1. 在 Python 中 XML 文件的编码问题

1. Python 使用的xml.etree.ElementTree库只支持解析和生成标准的UTF-8格式的编码

2. 常见GBK或GB2312等中文编码的 XML 文件，用以在老旧系统中保证 XML 对中文字符的记录能力

3. XML 文件开头有标识头，标识头指定了程序处理 XML 时应该使用的编码
   

4. 要修改编码，不仅要修改文件整体的编码，还要将标识头中 encoding 部分的值修改

2. 处理 Python XML 文件的思路

1. 读取&解码：
   1. 使用二进制模式读取 XML 文件，将文件变为二进制流
   2. 将二进制流使用.encode()方法，使用原文件的编码格式进行解析为字符串
2. 处理标识头：使用.replace()方法，替换字符串中的encoding="xxx"部分
3. 编码&保存：将字符串使用新的编码格式进行保存

3. 实际过程中遇到的问题

1. GB2312 <–> UTF：无问题，可直接按照上面的逻辑处理
2. GBK <–> UTF8
   1. GBK --> UTF8：无问题，可直接按照上面的逻辑处理
   2. UTF8 --> GBK：.encode()会报错，要加上error="ignore"参数，忽略无法转换的字符
      这里的原理是：GBK 编码兼容 UTF-8 编码，因此无法转换的内容使用 GBK 直接也能显示
3. GBK <–> GB2312：无问题

4. 最后使用的代码

# filepath -- 原文件路径
# savefilepath -- 转换后文件存储路径（默认 = 原文件路径）
# oldencoding -- 原文件的编码格式
# newencoding -- 转换后文件的编码格式
def convert_xml_encoding(filepath, savefilepath=filepath, oldencoding, newencoding):
    # Read the XML file
    with open(filepath, 'rb') as file:
        content = file.read()

    # Decode the content from old encoding
    # 出现错误时忽略 errors='ignore'
    decoded_content = content.decode(oldencoding, errors='ignore')
    # decoded_content = content.decode('GBK')


    # Update the encoding in the XML header
    updated_content = decoded_content.replace('encoding="{}"'.format(oldencoding),
                                               'encoding="{}"'.format(newencoding))

    # Encode the content to new encoding
    # 出现错误时忽略 errors='ignore'
    encoded_content = updated_content.encode(newencoding,errors='ignore')

    # Write the updated content to the file
    with open(savefilepath, 'wb') as file:
        file.write(encoded_content)

    # Result output
    print(f"XML file '{os.path.basename(filepath)}'({oldencoding}) --> '{os.path.basename(savefilepath)}'({newencoding})")

# ---------------------- 使用示例 ---------------------
# GBK --> utf-8
convert_xml_encoding(filepath, savefilepath1, 'GBK', 'utf-8')
# utf-8 --> gb2312
convert_xml_encoding(filepath, savefilepath1, 'utf-8', 'gb2312')
# GBK --> gb2312
convert_xml_encoding(filepath, savefilepath1, 'GBK', 'gb2312')

注意事项：

1. 由于这里需要直接替换标识头，要求编码名称一定得完全匹配，否则替换会失败
   如：GBK 不能写成 gbk，utf-8 不能写成 UTF8
2. 此代码仅在以上 GBK、GB2312、UTF-8 & 常用中英文基础上测试，其他的编码格式不保证一定能转换成功