UTF-8로 인코딩 된 웹 페이지를 가져 오는 Python 프로그램을 실행 중이며 BeautifulSoup을 사용하여 HTML에서 일부 텍스트를 추출합니다.BeautifulSoup를 사용하여 UTF-8로 인코딩 된 HTML을 유니 코드 문자열로 올바르게 구문 분석하는 방법은 무엇입니까?
그러나이 텍스트를 파일에 쓰거나 콘솔에 인쇄하면 예기치 않은 인코딩으로 기록됩니다.
샘플 프로그램 :
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'])
는 실행이 결과 제공 :
# u'Hier k\u0102\u015bnnen Sie sich kostenlos registrieren und/oder einloggen!'
을하지만 파이썬 유니 코드 문자열이 \xf6
로 단어 können
에 ö
렌더링 기대 :
# u'Hier k\xf6bnnen Sie sich kostenlos registrieren und/oder einloggen!'
나는 '에서 Encoding '매개 변수를 BeautifulSoup에 연결하고 read()
및 decode()
개체 인 response
을 시도하지만 아무런 차이가 없거나 오류가 발생합니다.
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|
내 파이썬 능력의 한계를 넘어 해요 : 명령 curl www.voxnow.de | hexdump -C
와
, 나는 웹 페이지가 실제로 UTF-8로 인코딩 된 것을 볼 수 ö
문자 (즉, 그것은 0xc3 0xb6
을 포함) , 그래서 나는 더 이상 이것을 디버깅하는 방법에 관해서는 손해를보고있다. 어떤 충고? utf-8
그 결과를 인코딩
이상한 .. 같은 '\ u0102 \ u015b ''''''입니다 .. – aIKid
이 질문과 중복되지 않습니까? http://stackoverflow.com/questions/7219361/python-and-beautifulsoup-encoding-issues?rq=1 – justhalf
@justhalf 저는 그 질문을 보았지만 생각하지 않습니다. 나는 같은 결과를 얻었다고 생각한다. 하지만 다시 확인해 보겠습니다. –