Python XML 的生死輪迴：深入理解 lxml.etree.fromstring(xml_bytes) #Bytes → Element Object 與 lxml.etree.tostring(Element, encoding= “utf-8”) #Element Object → Bytes ; 處理 XML 時，盡量全程保持 Bytes (二進位) 狀態。

by 儲蓄保險王 · 2025-12-08

在處理 DOCX (Zip) 內的 XML 時，
我們無法直接修改壓縮包裡的文字。
我們必須經歷三個階段：
解凍 (Parsing)

→ 手術 (Editing)

→ 冷凍 (Serialization)。

這就是 lxml.etree 兩大核心函式的工作。

實驗素材：document.xml.rels
假設我們從 Zip 裡讀取到了這段原始的 Bytes 資料：

# 模擬從 zf.read('word/_rels/document.xml.rels') 讀出來的內容
# 注意：這是 bytes (前面有 b'')
xml_bytes = b"""<?xml version="1.0" encoding="UTF-8" standalone="yes"?>
<Relationships xmlns="http://schemas.openxmlformats.org/package/2006/relationships">
  <Relationship Id="rId1" Type=".../image" Target="media/image1.png"/>
  <Relationship Id="rId2" Type=".../styles" Target="styles.xml"/>
</Relationships>"""

# 模擬從 zf.read('word/_rels/document.xml.rels') 讀出來的內容
# 注意：這是 bytes (前面有 b'')
xml_bytes = b"""<?xml version="1.0" encoding="UTF-8" standalone="yes"?>
<Relationships xmlns="http://schemas.openxmlformats.org/package/2006/relationships">
  <Relationship Id="rId1" Type=".../image" Target="media/image1.png"/>
  <Relationship Id="rId2" Type=".../styles" Target="styles.xml"/>
</Relationships>"""

解凍：etree.fromstring()
方向：Bytes → Element Object

這個函式負責將「冰冷、死的」二進位資料，
轉換成「活的、可操作的」Python 物件 (Element)

# %%
from lxml import etree

# 動作：解析
root = etree.fromstring(xml_bytes)

# 驗證
print(type(root)) 
# 輸出: <class 'lxml.etree._Element'> (這就是活的物件)

# 操作：現在我們可以像操作物件一樣操作它了
print(root.tag) 
# 輸出: {http://...}Relationships

# %%
from lxml import etree

# 動作：解析
root = etree.fromstring(xml_bytes)

# 驗證
print(type(root)) 
# 輸出: <class 'lxml.etree._Element'> (這就是活的物件)

# 操作：現在我們可以像操作物件一樣操作它了
print(root.tag) 
# 輸出: {http://...}Relationships

輸出:

Python XML 的生死輪迴：深入理解 lxml.etree.fromstring(xml_bytes) #Bytes → Element Object 與 lxml.etree.tostring(Element, encoding= "utf-8") #Element Object → Bytes ; 處理 XML 時，盡量全程保持 Bytes (二進位) 狀態。 - 儲蓄保險王

💡 關鍵觀念：為什麼要餵 Bytes？
雖然 fromstring 也能吃字串 (String)，但強烈建議餵 Bytes。
因為 XML 檔頭通常包含。

如果您傳入 String：Python 已經解碼過了，
但 XML 檔頭還說它是 UTF-8，
這有時會讓解析器混亂
（報錯：ValueError: Unicode strings with encoding declaration are not supported）。
如果您傳入 Bytes：解析器會自己看檔頭決定怎麼解碼，這是最安全的。

手術：修改 Element Tree
在 fromstring 和 tostring 中間，就是我們發揮邏輯的地方。

# 模擬 Step B：刪除 rId1
for rel in root.findall("{*}Relationship"):
    if rel.get("Id") == "rId1":
        root.remove(rel) # 物理刪除節點
        print("已刪除 rId1")

# 模擬 Step B：刪除 rId1
for rel in root.findall("{*}Relationship"):
    if rel.get("Id") == "rId1":
        root.remove(rel) # 物理刪除節點
        print("已刪除 rId1")

輸出:

冷凍：etree.tostring()
方向：Element Object → Bytes

手術完成後，這個物件還在記憶體裡，
我們必須把它變回 Bytes，才能寫回 Zip 檔案。

# %%
# 動作：序列化 (Serialization)
new_xml_bytes = etree.tostring(
    root, 
    encoding='utf-8',       # 1. 指定編碼 (通常是 utf-8)
    xml_declaration=True,   # 2. 補上 <?xml ... ?> 檔頭
    standalone=True,         # 3. (選用) Word 習慣加上 standalone="yes"
    pretty_print=True
)

print(new_xml_bytes)
print("="*50)
print(new_xml_bytes.decode("utf-8"))

# %%
# 動作：序列化 (Serialization)
new_xml_bytes = etree.tostring(
    root, 
    encoding='utf-8',       # 1. 指定編碼 (通常是 utf-8)
    xml_declaration=True,   # 2. 補上 <?xml ... ?> 檔頭
    standalone=True,         # 3. (選用) Word 習慣加上 standalone="yes"
    pretty_print=True
)

print(new_xml_bytes)
print("="*50)
print(new_xml_bytes.decode("utf-8"))

輸出:

關鍵參數詳解
tostring 預設只會吐出 XML 的「肉」(內容)，不會吐出「皮」(檔頭)。
對於 DOCX 這種嚴謹的格式，參數非常重要：

encoding=’utf-8’：
這會讓回傳值變成 Bytes。
如果不寫 (預設是 None)，它可能會回傳 String，
這在寫入 Zip 時會出錯（Zip 需要 Bytes）。
xml_declaration=True：
這會加上。
如果沒加這行，Word 打開檔案時可能會報錯說「檔案損毀」。
pretty_print=True (選用)：
這會幫你縮排、換行，讓人眼好讀。
注意：在程式處理 DOCX 時，通常不建議開這個，
因為多餘的空白有時會被視為內容的一部分，
雖然在 .rels 檔沒差，但在 document.xml 裡可能會導致排版跑掉。

總結圖表

new_xml_bytes = etree.tostring()
也可以傳遞str當參數,
修改 encoding = ‘unicode’
但建議一律使用bytes

⚠️ 常見陷阱：XML Encoding 宣告衝突
為什麼當我們把一個 Python 字串 (String) 丟給 lxml 解析時，
有時會噴出 ValueError: Unicode strings with encoding declaration are not supported 這樣的錯誤？

這源自於「已經解碼的字串」與「XML 檔頭宣告」之間的邏輯矛盾。

邏輯矛盾點
Python String (Unicode)：這已經是「解碼後」的抽象文字。它在記憶體中就是文字本身，不再屬於任何特定的編碼 (如 UTF-8 或 Big5)。
XML Header ()：這是一個寫給解析器看的「操作手冊」，意思是：「這串 Bytes (二進位流) 是用 UTF-8 編碼的，請照這個規則把它還原成文字」。
衝突：當您把一個 String 丟給 lxml，但內容卻包含「請用 UTF-8 解碼我」的指令，lxml 就會困惑並報錯：「你給我的明明已經是解碼好的 Unicode 文字了，為什麼還要我再去解碼？」
錯誤示範

# 假設這是一個 Python 字串 (str)
xml_str = '<?xml version="1.0" encoding="UTF-8"?><root>Data</root>'

# 這行會報錯！
# 因為 xml_str 已經是 Unicode 了，但內容卻還在指揮解析器做解碼動作。
root = etree.fromstring(xml_str) 
# Error: ValueError: Unicode strings with encoding declaration are not supported.

# 假設這是一個 Python 字串 (str)
xml_str = '<?xml version="1.0" encoding="UTF-8"?><root>Data</root>'

# 這行會報錯！
# 因為 xml_str 已經是 Unicode 了，但內容卻還在指揮解析器做解碼動作。
root = etree.fromstring(xml_str) 
# Error: ValueError: Unicode strings with encoding declaration are not supported.

ValueError Traceback (most recent call last)
Cell In[82], line 6
2 xml_str = ‘Data’
4 # 這行會報錯！
5 # 因為 xml_str 已經是 Unicode 了，但內容卻還在指揮解析器做解碼動作。
—-> 6 root = etree.fromstring(xml_str)
7 # Error: ValueError: Unicode strings with encoding declaration are not supported.

File src/lxml/etree.pyx:3428, in lxml.etree.fromstring()

File src/lxml/parser.pxi:2051, in lxml.etree._parseMemoryDocument()

ValueError: Unicode strings with encoding declaration are not supported.
Please use bytes input or XML fragments without declaration.

正確解法 (The Fix)
既然 XML 檔頭說它是 UTF-8 編碼的 Bytes，那我們就順著它的意，把字串編碼 (Encode) 回 Bytes 再餵給解析器。

# 正確：把 String 編碼回 Bytes
# 這樣 "encoding='UTF-8'" 的宣告就變成實話了，lxml 就能開心運作。
xml_bytes = xml_str.encode('utf-8')

root = etree.fromstring(xml_bytes)
print("成功解析！Tag:", root.tag)

# 正確：把 String 編碼回 Bytes
# 這樣 "encoding='UTF-8'" 的宣告就變成實話了，lxml 就能開心運作。
xml_bytes = xml_str.encode('utf-8')

root = etree.fromstring(xml_bytes)
print("成功解析！Tag:", root.tag)

輸出:

結論
處理 XML 時，盡量全程保持 Bytes (二進位) 狀態。

讀檔用 rb 模式,
爬蟲獲得的response,使用.content。
解析用 fromstring(bytes)。
這樣可以完全避開這種編碼宣告的邏輯衝突。

import requests

response = requests.get('https://example.com/data.xml')

# .content 是 bytes (原始資料) -> 適合給 lxml
xml_bytes = response.content 

# .text 是 str (Requests 幫您解碼過的) -> 這是 XML_str
xml_str = response.text

import requests

response = requests.get('https://example.com/data.xml')

# .content 是 bytes (原始資料) -> 適合給 lxml
xml_bytes = response.content 

# .text 是 str (Requests 幫您解碼過的) -> 這是 XML_str
xml_str = response.text