python - BeautifulSoup 4 将 HTML 实体转换为 unicode，但在使用打印时出现垃圾字符

Question

我正在尝试使用 BeautifulSoup 4 从网络上抓取文本以将其解析出来。将 bs4 处理的文本打印到控制台时遇到问题。每当我碰到一个原本是 HTML 实体的字符时，比如 ’我在控制台上收到乱码。我相信 bs4 正确地将这些实体转换为 unicode，因为如果我尝试使用另一种编码来打印文本，它会提示缺少适当的字符 unicode 映射(比如 u'\u2019。)我不确定为什么打印功能对这些字符感到困惑。我已经尝试更改字体，这会更改垃圾字符，并且我在具有美式英语语言环境的 Windows 7 机器上。这是我的代码供引用，任何帮助表示赞赏。提前致谢!

#!/usr/bin/python
import json
import urllib2
import cookielib
import bs4

cj = cookielib.CookieJar()
opener = urllib2.build_opener(urllib2.HTTPCookieProcessor(cj))

url = "http://api.nytimes.com/svc/search/v2/articlesearch.json?q=Tiguan\
&page=0&api-key=blah"
response = opener.open(url)
articles = response.read()
decoded = json.loads(articles)

totalpages = decoded['response']['meta']['hits']/10

for page in range(totalpages + 1):
    if page>0:
        url = "http://api.nytimes.com/svc/search/v2/articlesearch.json?\
q=Tiguan&page=" + str(page) + "&api-key=blah"
        response = opener.open(url)
        articles = response.read()
        decoded = json.loads(articles)
    for url in decoded['response']['docs']:
        print url['web_url']
        urlstring = url['web_url']
        art = opener.open(urlstring)
        soup = bs4.BeautifulSoup(art.read())
        goodstuff = soup.findAll('nyt_text')
        for tag in goodstuff:
            print tag.prettify().encode("UTF")

Answer 1

这个问题与 bs4、HTML 实体或其他任何东西都无关。您可以在大多数 Windows 系统上重现完全相同的行为，使用单行程序打印出在您尝试打印时显示为垃圾的相同字符，如下所示:

print u'\u2019'.encode('UTF-8')

这里的问题是，与绝大多数 Windows 系统(2013 年没有其他人使用)一样，您的默认字符集不是 UTF-8，而是 CP1252 之类的东西。

因此，当您将 Unicode 字符串编码为 UTF-8 并将这些字节打印到控制台时，控制台会将它们解释为 CP1252。在这种情况下，这意味着您得到的是 ' 而不是 '。

更改字体无济于事。 \u2013的UTF-8编码为\xe2、\x80、\x99三个字节，这三个字节的 CP1252 含义是 â、€ 和 ™。

如果您想为控制台手动编码，您需要编码为正确 字符集，即您的控制台实际使用的字符集。您可以将其作为 sys.stdout.encoding 获取。

当然，您可能会在尝试为正确的字符集编码时遇到异常，因为像 CP1252 这样的 8 位字符集只能处理 Unicode 110K 字符中的大约 240 个。处理这个问题的唯一方法是使用 encode 的 errors 参数来忽略它们或用替换字符替换它们。

与此同时，如果您还没有阅读 Unicode HOWTO ，你真的需要。特别是如果您打算坚持使用 Python 2.x 和 Windows。

---

如果您想知道为什么一些命令行程序似乎能够解决这些问题:Microsoft 对字符集问题的解决方案是创建一整套并行的 API，这些 API 使用 16 位字符而不是 8 位字符-bit，并且这些 API 始终使用 UTF-16。不幸的是，许多东西，例如 Microsoft 提供的用于与控制台对话的可移植 stdio 包装器以及 Python 2.x 所依赖的包装器，只有 8 位 API。也就是说问题根本没有解决。 Python 3.x 不再使用这些包装器，并且一直在反复讨论使某些 future 版本与控制台对话 UTF-16。但即使这种情况发生在 3.4 中(这似乎不太可能)，只要您使用的是 2.x，那也无济于事。