Python打印本地html文件的源代码返回空格字符
Python打印本地html文件的源代码返回空格字符
提问于 2018-06-07 08:20:27
我有一个本地html文件，我想读取并提取源代码中的urls。然而，我的正则表达式总是返回空的，所以我尝试打印出源代码，并注意到所有字符都是相互隔开的。你知道原因是什么吗？
下面是我读取文件和正则表达式的代码：
import re
file=open("C:/Documents/name.html",'r')
content=file.read()
match = re.findall(r'<a href="(.*?)".*>(.*)</a>', content)
print(match)当我尝试打印内容时，我得到了：
< h t m l x m l n s : v = " u r n : s c h e m a s ...编辑:多亏了abernert，这是一个编码问题，更正后的代码将是：
import re
import codecs
file=codecs.open("C:/Users/140263/Documents/name.html",,encoding='utf-16-le')
content=file.read()
match = re.findall(r'<a href="(.*?)".*>(.*)</a>', content)
print(match)回答 1
Stack Overflow用户
回答已采纳
发布于 2018-06-07 08:56:33
问题是您的文件是以UTF-16-LE编码的，但是您读取它时采用的是默认编码，而不是UTF-16-LE。
许多Windows软件使用UTF-16-LE作为文本文件的默认编码-这很烦人，但没有办法。
UTF-16-LE将大多数字符存储为两个字节。对于像<和a这样的ASCII码字符，这两个字节是ASCII码字节后跟一个空字节。
因此，如果您将UTF-16-LE读取为ASCII，那么您将得到字符，字符之间有空字节。
通常，您可以通过打印字符串的repr来诊断此问题，而不是打印字符串本身，而不是这样：
< h t m l … >…你会得到这个：
'<h\0t\0m\0l\0 … >\0'修复方法是使用正确的编码读取文件：
file = open("C:/Documents/name.html", 'r', encoding='utf-16-le')页面原文内容由Stack Overflow提供。腾讯云小微IT领域专用引擎提供翻译支持
原文链接：
https://stackoverflow.com/questions/50731359
复制相关文章
相似问题