为什么用 lxml 写完一个 XML-file 后，属性值中的非 ASCII 字符会被转义？

Question

我试图用python不断地建立一个xml-file，并且用 etree.xmlfile 从 lxml.

我的输入是一个XML文件，其中有umlauts的属性值。我把这个文件用 lxml，对属性的名称做一些修改，然后写到一个新的文件中。

这是我的代码，分解一下。

with etree.xmlfile(path_to_new_file, encoding="utf8") as xf:                                             
    with xf.element("corpus"):                                                                      
        for _, element in etree.iterparse(path_to_original_file, tag="comment"):                                               
            new_element = transform_element(element)                                                                                                   
            xf.write(new_element)
            del element
            del new_element

在原始文件中，我可能有一个这样的元素。

<comment title="Kübel">Some text with umlauts like this üä</comment>

但经过处理后，同样的注释在新文件中看起来是这样的。

<comment title="K&#xFC;bel">Some text with umlauts like this üä</comment>

你知道是什么原因造成的吗？ Do you have any idea what might cause this?

Answer 1

ü 在XML属性值中不需要转义（或者在元素的文本节点子节点中）。

可能是库的开发者过于谨慎，调用了一个通用的转义字符串函数，可能是为了利用其转义后的 <，它总是要被逃掉的，和。' 或 " 当匹配属性值的分隔引号时，必须对其进行转义。

关于精确的转义要求，请参见 简化的XML转义.