python之使用 python 和 lxml 忽略 xml 中的 unicode

我希望忽略我的 xml 中的 unicode。我也愿意在输出处理中以某种方式改变它。

我的 python :

import urllib2, os, zipfile  
from lxml import etree 
 
doc = etree.XML(item) 
docID = "-".join(doc.xpath('//publication-reference/document-id/*/text()')) 
target = doc.xpath('//references-cited/citation/nplcit/*/text()') 
#target = '-'.join(target).replace('\n-','') 
print "docID:    {0}\nCitation: {1}\n".format(docID,target)  
outFile.write(str(docID) +"|"+ str(target) +"\n") 

创建输出:

docID:    US-D0607176-S1-20100105 
Citation: [u"\u201cThe birth of Lee Min Ho's donuts.\u201d Feb. 25, 2009. Jazzholic. Apr. 22, 2009 <http://www 

但如果我尝试在 '-'join(target).replace('\n-','') 中添加回来print 我都收到了这个错误和 outFile.write :

Traceback (most recent call last): 
  File "C:\Documents and Settings\mine\Desktop\test_lxml.py", line 77, in <module> 
    print "docID:    {0}\nCitation: {1}\n".format(docID,target) 
UnicodeEncodeError: 'ascii' codec can't encode character u'\u201c' in position 0: ordinal not in range(128) 

我怎样才能忽略 unicode 以便我可以串出 target与 outFile.write ？

请您参考如下方法:

您收到此错误是因为您有一个包含 unicode 字符的字符串，您正尝试使用 ascii 字符集输出该字符串。打印列表时，您将获得列表的“repr”及其中的字符串，从而避免了该问题。

您需要编码为不同的字符集(例如 UTF-8)，或者在编码时去除或替换无效字符。

我推荐阅读 Joels The Absolute Minimum Every Software Developer Absolutely, Positively Must Know About Unicode and Character Sets (No Excuses!) ，后面是the Python docs中关于字符串编码和解码的相关章节.

这里有一个小提示可以帮助您入门:

print "docID:    {0}\nCitation: {1}\n".format(docID.encode("UTF-8"), 
                                              target.encode("UTF-8"))