我正在运行一个Python程序,该程序获取一个UTF8编码的网页,并使用BeautifulSoup从HTML中提取一些文本。
但是,当我将此文本写入文件(或在控制台上打印它)时,它会以意外的编码写入。
示例程序:
import urllib2
from BeautifulSoup import BeautifulSoup
# Fetch URL
url = 'http://www.voxnow.de/'
request = urllib2.Request(url)
request.add_header('Accept-Encoding', 'utf-8')
# Response has UTF-8 charset header,
# and HTML body which is UTF-8 encoded
response = urllib2.urlopen(request)
# Parse with BeautifulSoup
soup = BeautifulSoup(response)
# Print title attribute of a <div> which uses umlauts (e.g. können)
print repr(soup.find('div', id='navbutton_account')['title'])
运行该命令会得到以下结果:
# u'Hier k\u0102\u015bnnen Sie sich kostenlos registrieren und / oder einloggen!'
但是我希望Python Unicode字符串将单词können
中的ö
呈现为\xf6
# u'Hier k\xf6bnnen Sie sich kostenlos registrieren und / oder einloggen!'
我尝试将'fromEncoding‘参数传递给BeautifulSoup,并尝试对response
对象执行read()
和decode()
操作,但要么没有区别,要么抛出错误。
使用命令curl www.voxnow.de | hexdump -C
,我可以看到网页确实是针对ö
字符进行了UTF-8编码(即,它包含0xc3 0xb6
):
20 74 69 74 6c 65 3d 22 48 69 65 72 20 6b c3 b6 | title="Hier k..|
6e 6e 65 6e 20 53 69 65 20 73 69 63 68 20 6b 6f |nnen Sie sich ko|
73 74 65 6e 6c 6f 73 20 72 65 67 69 73 74 72 69 |stenlos registri|
我已经超出了我的Python能力的极限,所以我不知道如何进一步调试它。有什么建议吗?
发布于 2013-11-26 18:55:31
正如justhalf上面指出的,我的问题本质上是this question的副本。
HTML内容将自身报告为UTF-8编码,除了一两个非法的无效UTF-8字符之外,大多数情况下都是如此。
这显然混淆了BeautifulSoup正在使用哪种编码,以及在将内容传递给BeautifulSoup时尝试首先解码为UTF-8时的情况:
soup = BeautifulSoup(response.read().decode('utf-8'))
我会得到这样的错误:
UnicodeDecodeError: 'utf8' codec can't decode bytes in position 186812-186813:
invalid continuation byte
更仔细地查看输出,发现字符Ü
的一个实例被错误地编码为无效的字节序列0xe3 0x9c
,而不是正确的0xc3 0x9c
。
正如该问题的当前highest-rated answer所建议的那样,在解析时可以删除无效的UTF-8字符,以便只将有效数据传递给BeautifulSoup:
soup = BeautifulSoup(response.read().decode('utf-8', 'ignore'))
发布于 2013-11-26 07:35:46
将结果编码成utf-8
似乎对我很有效:
print (soup.find('div', id='navbutton_account')['title']).encode('utf-8')
它产生了以下结果:
Hier können Sie sich kostenlos registrieren und / oder einloggen!
https://stackoverflow.com/questions/20205455
复制相似问题