ElementTreeでマルチバイト文字をスマートに扱う方法

Question

最近、python開発を始めました。(使用バージョンは、python 2.7)

XPathライクな記法が使えるxml.etree.ElementTreeを使って
XMLパースをしたいと思っています。

以下のコードで、XMLファイルの"Hoge"タグ要素値を取得した場合、text変数の型が、
日本語等のマルチバイト文字が含まれる場合unicode型に、そうでない場合string型に自動変換されている様です。

これをマルチバイトであってもstring型で取得できる様に動きを変える事は出来ないでしょうか？
現状は後続処理で「unicode型の場合は"encode("cp932")する"」みたいな変換ロジックを入れざるを得ない状況です。

<Test>
  <Hoge>日本語</Hoge>
</Test>

import xml.etree.ElementTree as ET
root = ET.fromstring(xml)
text = root.findtext(".//Hoge")

Answer 1

これをマルチバイトであってもstring型で取得できる様に動きを変える事は出来ないでしょうか？

なさそうです。

ElementTreeが内部で使っているexpatは、文字列を正しく処理するために、与えられたXMLデータをデコードしてUnicode文字列にします。この挙動を変更する方法はみあたりませんでした。具体的にはElementTreeの実装で xml.parsers.expat.ParserCreate(encoding=None, namespace_separator=None) を使ってXMLをパースしています。

現状は後続処理で「unicode型の場合は"encode("cp932")する"」みたいな変換ロジックを入れざるを得ない状況です。

エンコードされた文字列にしたい場合、この変換は無くせなそうです。ただし、「unicodeの場合は」という条件はなくても良いです。ASCII文字列が格納されたstr型の場合、 'hello'.encode('cp932') としてもエラーにはならず、 'hello' に変換されます（つまり変わりません）。

---

なお、Python3ではUnicode文字列とstr文字列は統合され、Python2でいうUnicode文字列のみになりました（型はstrです）。このため、ファイルに書き出す場合は常にutf-8やcp932等のエンコーディング変換が必要です。しかし、そのための変換処理は open 関数の encoding= 引数に指定すれば、ただ書き出すだけで済むため書き出し処理では意識せずに済みます。

Python2であれば以下のように書くことでPython3と同様の結果が得られます。

import xml.etree.ElementTree as ET
import io

root = ET.fromstring(xml)
text = root.findtext(".//Hoge")

with io.open('output.txt', 'wt', encoding='cp932') as f:
    f.write(u'実行結果\n')
    f.write(u'=================ここから\n')
    f.write(text)
    f.write('\n'
    f.write(u'=================ここまで\n')

Comments

[panda_bk]

ありがとうございます！
Python3化したい欲が高まりましたw