2012-04-20 12 views
8

Me gustaría analizar un documento HTML utilizando lxml. Estoy usando Python 3.2.3 y lxml 2.3.4 (http://www.lfd.uci.edu/~gohlke/pythonlibs/#lxml)lxml etree.iterparse error "TypeError: lectura de objetos de archivo debe devolver cadenas simples"

estoy usando el etree.iterparse a analizar el documento, pero devuelve el siguiente error en tiempo de ejecución:

Traceback (most recent call last): 
    File "D:\Eclipse Projects\Python workspace\Crawler\crawler.py", line 12, in <module> 
    for event, elements in etree.iterparse(some_file_like): 
    File "iterparse.pxi", line 491, in lxml.etree.iterparse.__next__ (src/lxml\lxml.etree.c:98565) 
    File "iterparse.pxi", line 512, in lxml.etree.iterparse._read_more_events (src/lxml\lxml.etree.c:98768) 
TypeError: reading file objects must return plain strings 

La pregunta es: ¿Cómo resolver este error en tiempo de ejecución?

Muchas gracias.

Aquí está el código:

from io import StringIO 
from lxml import etree 

some_file_like = StringIO("<root><a>data</a></root>") 

for event, elements in etree.iterparse(some_file_like): #<-- Run-time error happens here 
    print("%s, %4s, %s" % (event, elements.tag, elements.text)) 

Respuesta

18

Su memoria intermedia StringIO tiene cadena Unicode. iterparse funciona con archivos como objetos que devuelven bytes. El siguiente buffer debería funcionar con iterparse:

from io import BytesIO 
some_file_like = BytesIO("<root><a>data</a></root>".encode('utf-8')) 
+0

Gracias por los comentarios. Probé tu sugerencia pero me dio el siguiente error en tiempo de ejecución: TypeError: initial_value debe ser str o None, no bytes –

+0

Aparentemente necesitas usar 'BytesIO' para bytes y' StringIO' para cadenas (a diferencia del antiguo 'StringIO' que podría ser utilizado para ambos). Solucionado mi respuesta. – Imran

+0

Su corrección funciona. Gracias :) –

Cuestiones relacionadas