質問をすることでしか得られない、回答やアドバイスがある。

15分調べてもわからないことは、質問しよう!

ただいまの
回答率

90.85%

  • Python

    5900questions

    Pythonは、コードの読みやすさが特徴的なプログラミング言語の1つです。 強い型付け、動的型付けに対応しており、後方互換性がないバージョン2系とバージョン3系が使用されています。 商用製品の開発にも無料で使用でき、OSだけでなく仮想環境にも対応。Unicodeによる文字列操作をサポートしているため、日本語処理も標準で可能です。

  • XML

    605questions

    XMLは仕様の1つで、マークアップ言語群を構築するために使われています。

  • Unicode

    61questions

    Unicodeはエンコーディングの標準規格です。1つの文字コード体系で多国語の表現を可能にすることを目指して作られています。

lxmlのElementのattributeをunicodeとしてtostringしたい

受付中

回答 1

投稿 編集

  • 評価
  • クリップ 1
  • VIEW 120

hayataka2049

ユーザーランキング月間3位

lxmlを使ってattributeに日本語が含まれるXMLの処理をしています。
ツリー全体に対してtostringをすると上手くいきますが、単一のElementを対象に処理するとattributeの日本語をうまく変換することができません。
以下のような状況です。

>>> from lxml import etree
>>> root = etree.fromstring('<hoge><fuga f="ふが">フガ</fuga></hoge>')
>>> etree.tostring(root, encoding="utf-8").decode()
'<hoge><fuga f="ふが">フガ</fuga></hoge>' # うまいく
>>> etree.tostring(root.xpath("//fuga")[0], encoding="utf-8").decode()
'<fuga f="&#x3075;&#x304C;">フガ</fuga>' # これだと駄目


このような場合、どのように取り扱うのが適当でしょうか?

よろしくおねがいします。

 追記

色々試してみたところ、Element.attrib["f"]でアクセスすると日本語(ユニコード文字)になるようでした。また、「取り出されたもののルート」だけ数値文字参照に化けることが判明しました。

>>> from lxml import etree
>>> tree = etree.fromstring('<root><hoge h="ほげ"><fuga f="ふが"><piyo p="ぴよ"></piyo></fuga></hoge></root>')
>>> etree.tostring(tree, encoding="utf-8").decode()
'<root><hoge h="ほげ"><fuga f="ふが"><piyo p="ぴよ"/></fuga></hoge></root>'
>>> etree.tostring(tree[0], encoding="utf-8").decode()
'<hoge h="&#x307B;&#x3052;"><fuga f="ふが"><piyo p="ぴよ"/></fuga></hoge>'
>>> tree[0].attrib["h"]
'ほげ'

これはlxmlのバグかもしれませんが、今のところ既知の報告や関連情報を見つけられていないので、もう少し調べて出てこなければバグレポートでも投げてみます。

  • 気になる質問をクリップする

    クリップした質問は、後からいつでもマイページで確認できます。

    またクリップした質問に回答があった際、通知やメールを受け取ることができます。

    クリップを取り消します

  • 良い質問の評価を上げる

    以下のような質問は評価を上げましょう

    • 質問内容が明確
    • 自分も答えを知りたい
    • 質問者以外のユーザにも役立つ

    評価が高い質問は、TOPページの「注目」タブのフィードに表示されやすくなります。

    質問の評価を上げたことを取り消します

  • 評価を下げられる数の上限に達しました

    評価を下げることができません

    • 1日5回まで評価を下げられます
    • 1日に1ユーザに対して2回まで評価を下げられます

    質問の評価を下げる

    teratailでは下記のような質問を「具体的に困っていることがない質問」、「サイトポリシーに違反する質問」と定義し、推奨していません。

    • プログラミングに関係のない質問
    • やってほしいことだけを記載した丸投げの質問
    • 問題・課題が含まれていない質問
    • 意図的に内容が抹消された質問
    • 広告と受け取られるような投稿

    評価が下がると、TOPページの「アクティブ」「注目」タブのフィードに表示されにくくなります。

    質問の評価を下げたことを取り消します

    この機能は開放されていません

    評価を下げる条件を満たしてません

    評価を下げる理由を選択してください

    詳細な説明はこちら

    上記に当てはまらず、質問内容が明確になっていない質問には「情報の追加・修正依頼」機能からコメントをしてください。

    質問の評価を下げる機能の利用条件

    この機能を利用するためには、以下の事項を行う必要があります。

質問への追記・修正、ベストアンサー選択の依頼

  • defghi1977

    2018/04/13 11:18

    単なる数値文字参照であって, 実用上何ら問題がないと思いますが何か不具合でもあるのでしょうか? https://ja.wikipedia.org/wiki/%E6%96%87%E5%AD%97%E5%8F%82%E7%85%A7

    キャンセル

  • hayataka2049

    2018/04/13 12:56

    実はデバッグで出していて、どうやっても要素だけtostringするとうまくいかなかったという経緯での質問です。けっきょく実用上の不具合は回避できましたが、これはtostringの仕様ですかね・・・

    キャンセル

  • defghi1977

    2018/04/13 13:38

    データ自体に損失は無いので, 適宜数値文字参照部を正規表現などで抽出し, 得られた文字コードから得られた文字に置換すればイケると思います. python 数値文字参照 でググると結構それらしきものがヒットしますし(デバッグのために処理を自作するというのもなんとも本末転倒な感じがしますが)

    キャンセル

  • hayataka2049

    2018/04/13 14:08

    質問文に追記した通り、アクセス自体はElement.attrib経由でできました。デバッグの用は済みましたが、うーん・・

    キャンセル

回答 1

+1

Issue trackerには上がってなさそうですが、怪しい挙動ですね。でもソース(ココとかココ)を追っかけてると問題の根っこはlxmlを突き抜けてlibxmlに到達するんじゃないかなぁとちょっと思ったり。興味本位の野次馬ですが、ご参考までに。

投稿

  • 回答の評価を上げる

    以下のような回答は評価を上げましょう

    • 正しい回答
    • わかりやすい回答
    • ためになる回答

    評価が高い回答ほどページの上位に表示されます。

  • 回答の評価を下げる

    下記のような回答は推奨されていません。

    • 間違っている回答
    • 質問の回答になっていない投稿
    • スパムや攻撃的な表現を用いた投稿

    評価を下げる際はその理由を明確に伝え、適切な回答に修正してもらいましょう。

  • 2018/04/14 20:27

    調べていただきありがとうございます。根が深いのか・・・

    キャンセル

15分調べてもわからないことは、teratailで質問しよう!

  • ただいまの回答率 90.85%
  • 質問をまとめることで、思考を整理して素早く解決
  • テンプレート機能で、簡単に質問をまとめられる

関連した質問

同じタグがついた質問を見る

  • Python

    5900questions

    Pythonは、コードの読みやすさが特徴的なプログラミング言語の1つです。 強い型付け、動的型付けに対応しており、後方互換性がないバージョン2系とバージョン3系が使用されています。 商用製品の開発にも無料で使用でき、OSだけでなく仮想環境にも対応。Unicodeによる文字列操作をサポートしているため、日本語処理も標準で可能です。

  • XML

    605questions

    XMLは仕様の1つで、マークアップ言語群を構築するために使われています。

  • Unicode

    61questions

    Unicodeはエンコーディングの標準規格です。1つの文字コード体系で多国語の表現を可能にすることを目指して作られています。