我的代码只是抓取一个网页,然后将其转换为Unicode。
html = urllib.urlopen(link).read()
html.encode("utf8","ignore")
self.response.out.write(html)
但是我得到了一个UnicodeDecodeError
Traceback (most recent call last):
File "/Applications/GoogleAppEngineLauncher.app/Contents/Resources/GoogleAppEngine-default.bundle/Contents/Resources/google_appengine/google/appengine/ext/webapp/__init__.py", line 507, in __call__
handler.get(*groups)
File "/Users/greg/clounce/main.py", line 55, in get
html.encode("utf8","ignore")
UnicodeDecodeError: 'ascii' codec can't decode byte 0xa0 in position 2818: ordinal not in range(128)
我认为这意味着HTML在某个地方包含了一些格式错误的Unicode尝试。我可以删除导致问题的任何代码字节而不是得到错误吗?
发布于 2010-03-03 09:42:13
2018更新:
截至2018年2月,使用像gzip
这样的压缩已经变成了quite popular (大约73%的网站使用它,包括谷歌、YouTube、雅虎、维基百科、Reddit、Stack Overflow和Stack Exchange Network等大型网站)。
如果你像原始答案中那样使用this压缩的响应进行简单的解码,你会得到一个类似或类似于下面这样的错误:
UnicodeDecodeError:'utf8‘编解码器无法解码位置1中的字节0x8b :意外的代码字节
为了解码gzpipped响应,您需要添加以下模块(在Python 3中):
import gzip
import io
备注: In Python 2 you'd use StringIO
instead of io
然后,您可以像这样解析出内容:
response = urlopen("https://example.com/gzipped-ressource")
buffer = io.BytesIO(response.read()) # Use StringIO.StringIO(response.read()) in Python 2
gzipped_file = gzip.GzipFile(fileobj=buffer)
decoded = gzipped_file.read()
content = decoded.decode("utf-8") # Replace utf-8 with the source encoding of your requested resource
这段代码读取响应,并将字节放入缓冲区。然后,gzip
模块使用GZipFile
函数读取缓冲区。在此之后,可以再次将again文件读取为字节,并最终解码为正常可读的文本。
2010年的原始答案:
我们能否获得用于link
的实际值
此外,当我们尝试.encode()
一个已经编码的字节字符串时,我们通常会在这里遇到这个问题。因此,您可以先尝试解码它,如下所示
html = urllib.urlopen(link).read()
unicode_str = html.decode(<source encoding>)
encoded_str = unicode_str.encode("utf8")
举个例子:
html = '\xa0'
encoded_str = html.encode("utf8")
失败,错误为
UnicodeDecodeError: 'ascii' codec can't decode byte 0xa0 in position 0: ordinal not in range(128)
而:
html = '\xa0'
decoded_str = html.decode("windows-1252")
encoded_str = decoded_str.encode("utf8")
成功,没有错误。请注意,"windows-1252“是我用作示例的东西。这是我从chardet得到的,它有0.5的置信度,认为它是正确的!(对于1个字符长度的字符串,您期望的是什么)您应该将其更改为从.urlopen().read()
返回的字节字符串的编码,以适用于您检索的内容。
我看到的另一个问题是,.encode()
字符串方法返回修改后的字符串,并且不会就地修改源代码。因此,由于self.response.out.write(html)
不是来自html.encode的编码字符串(如果这是您最初的目标),因此使用html是没有用的。
按照Ignacio的建议,检查源网页以了解从read()
返回的字符串的实际编码。它要么在Meta标签中,要么在响应的ContentType头中。然后将其用作.decode()
的参数。
但是,请注意,不应该假设其他开发人员有足够的责任来确保头部和/或元字符集声明与实际内容相匹配。(这是皮塔,是的,我应该知道,我以前就是其中之一)。
发布于 2010-03-03 01:56:46
>>> u'aあä'.encode('ascii', 'ignore')
'a'
使用响应中适当的meta
标记或Content-Type
标头中的字符集对返回的字符串进行解码,然后进行编码。
encode(encoding, errors)
方法接受错误的自定义处理程序。除ignore
之外,默认值为:
>>> u'aあä'.encode('ascii', 'replace')
b'a??'
>>> u'aあä'.encode('ascii', 'xmlcharrefreplace')
b'aあä'
>>> u'aあä'.encode('ascii', 'backslashreplace')
b'a\\u3042\\xe4'
请参阅https://docs.python.org/3/library/stdtypes.html#str.encode
发布于 2011-10-16 11:31:37
作为Ignacio Vazquez-艾布拉姆斯答案的延伸
>>> u'aあä'.encode('ascii', 'ignore')
'a'
有时需要删除字符中的重音并打印基本表单。这可以通过以下命令完成
>>> import unicodedata
>>> unicodedata.normalize('NFKD', u'aあä').encode('ascii', 'ignore')
'aa'
您可能还希望将其他字符(如标点符号)转换为最接近的等效字符,例如,右单引号标记unicode字符在编码时不会转换为ascii撇号。
>>> print u'\u2019'
’
>>> unicodedata.name(u'\u2019')
'RIGHT SINGLE QUOTATION MARK'
>>> u'\u2019'.encode('ascii', 'ignore')
''
# Note we get an empty string back
>>> u'\u2019'.replace(u'\u2019', u'\'').encode('ascii', 'ignore')
"'"
尽管有更有效的方法来实现这一点。有关更多详细信息,请参阅此问题Where is Python's "best ASCII for this Unicode" database?
https://stackoverflow.com/questions/2365411
复制相似问题