代码之家 › 专栏 › 技术社区 › 43Tesseracts

防止BeautifulSoup的renderContents()更改为

beautifulsoup utf-8 python-3.x python

43Tesseracts · 技术社区 · 7 年前

我在用 bs4 在某些文本上做一些工作,但在某些情况下它会转换   字符到 Ã .我只能说这是 encoding mismatch from UTF-8 to latin1 (还是相反?)

我的web应用程序中的所有内容都是utf-8,python3是utf-8,我已经确认数据库是utf-8。

我把问题缩小到这一行:

print("Before soup: " + text)  # Before soup: &nbsp;
soup = BeautifulSoup(text, "html.parser")
#.... do stuff to soup, but all commented out for this testing.
soup = BeautifulSoup(soup.renderContents(), "html.parser")  # <---- PROBLEM!
print(soup.renderContents())  # b'\xc3\x82\xc2\xa0'
print("After SOUP: " + str(soup))  # After SOUP: Ã

如何防止renderContents()更改编码?有 no documentation 在这个功能上!

编辑:进一步研究文档后, this seems to be the key 但是我还是解决不了这个问题!

print(soup.prettify(formatter="html"))  # &Acirc;&nbsp;

1 回复 | 直到 7 年前

43Tesseracts 7 年前

好吧,显然我对医生的理解不够深入,答案就在这里:

从 https://www.crummy.com/software/BeautifulSoup/bs4/doc/#encodings 以下内容:

问题是提供给BS的代码片段太短,以至于BeautifulSoup的子库 Unicode, Dammit ,没有足够的信息来正确猜测编码。

Unicode,该死的 大多数时候猜测正确,但有时犯错误。…你可以避免将错误和延迟传递给美丽的汤构造者 from_encoding .

所以关键是要增加 from_encoding="UTF-8" 每次建造BS时:

soup = BeautifulSoup(soup.renderContents(), "html.parser", from_encoding="UTF-8")

推荐文章

Google User · Django管理员在`list_display中未显示`creation_date`字段`

4 月前

user29747013 · 如何创建一个新的数据框架,其中包含原始数据框架中列的聚合列?

4 月前

ÎÎÎ½Î· ÎÎ®Î¹Î½Î¿Ï · Python lxml.html语法错误:使用lxml find时XPATH的谓词无效

4 月前

user29715306 · from_users=和chats=电视节目中的差异

4 月前

Redshoe · 当执行numpy.genfromtxt()时,python是否会读取文件的所有行?

4 月前

RASEL MAHMUD · 为什么以及如何在is_even()函数内的IF条件中递归X变量在满足0后递增?[副本]

4 月前

prayner · 更新嵌套字典包含列表中的项

4 月前

Bringo Jr · 我可以在O(n)中解决这个问题吗?

4 月前

Dave · 如何在for循环中修改列表值

4 月前

Shukurullox Komiljonov · 从记录中获得相互和解。使用SQL

4 月前