使用 Python 从法语 Word 文档中提取 XML 时出现问题：生成非法字符

在过去的几天里，我一直在尝试创建一个脚本，该脚本将 1) 从 Word 文档中提取 XML，2) 修改该 XML，3) 使用新的 XML 创建并保存新的 Word 文档。在许多 stackoverflow 用户的帮助下，我最终找到了看起来非常有前途的代码。这里是：

import zipfile
import os
import tempfile
import shutil

def getXml(docxFilename):
    zip = zipfile.ZipFile(open(docxFilename,"rb"))
    xmlString= zip.read("word/document.xml").decode("utf-8")
    return xmlString

def createNewDocx(originalDocx,xmlString,newFilename):
    tmpDir = tempfile.mkdtemp()
    zip = zipfile.ZipFile(open(originalDocx,"rb"))
    zip.extractall(tmpDir)
    with open(os.path.join(tmpDir,"word/document.xml"),"w") as f:
        f.write(xmlString)
    filenames = zip.namelist()
    zipCopyFilename = newFilename
    with zipfile.ZipFile(zipCopyFilename,"w") as docx:
        for filename in filenames:
            docx.write(os.path.join(tmpDir,filename),filename)
    shutil.rmtree(tmpDir)

getXml从中提取 XMLdocxFilename作为字符串。createNewDocx获取原始 Word 文档并将其 XML 替换为xmlString，它是原始 XML 的修改版本，并将生成的 Word 文档另存为newFilename.

为了检查脚本是否按预期工作，我首先创建了一个测试文档（“test.docx”）并运行createNewDocx("test.docx",getXml("test.docx"),"test2.docx")。如果一切按预期工作，这应该创建 test.docx 的相同副本，另存为 test2.docx。确实如此。

然后我将测试文档变得更加详细并尝试修改它。而且脚本仍然有效！

然后，我自信地将我的脚本应用到我真正有兴趣修改的 Word 文档中：template.docx. I ran createNewDocx("template.docx",getXml("template.docx"),"template2.docx")，期望脚本生成 template.docx 的相同副本，但名为 template2.docx。不幸的是，新的Word文档无法打开；显然 XML 中存在非法字符。

我真的不明白为什么我的代码适用于我的测试文档但不适用于我的实际文档。我会发布 template.docx 的 XML，但它包含个人信息。 test.docx 和 template.docx 之间的一个重要区别是 template.docx 是用法语编写的，因此包含重音符号等特殊字符，而且撇号看起来也不同。我不知道这是否是造成我麻烦的原因，但我没有其他想法。

问题是您不小心更改了编码word/document.xml in template2.docx. word/document.xml (from template.docx) 最初编码为 UTF-8（这是 XML 文档的默认编码）。

xmlString = zip.read("word/document.xml").decode("utf-8")

但是，当您将其复制为template2.docx您正在将编码更改为CP-1252。根据文档open(file, "w") https://docs.python.org/3/library/functions.html#open,

在文本模式下，如果未指定编码，则使用的编码取决于平台：调用 locale.getpreferredencoding(False) 来获取当前区域设置编码。

您表示致电locale.getpreferredencoding(False)给你cp1252这是编码word/document.xml正在编写中。

由于您没有明确添加<?xml version="1.0" encoding="cp1252"?>到开始word/document.xml，Word（或任何其他 XML 阅读器）会将其读为UTF-8代替CP-1252这就是非法 XML 字符错误的原因。

所以你想将编码指定为UTF-8当使用encoding论证open():

with open(os.path.join(tmpDir, "word/document.xml"), "w", encoding="UTF-8") as f:
    f.write(xmlString)