python - 使用 BeautifulSoup 从 HTML 页面获取内容类型

Question

我正在尝试获取我抓取的页面的字符编码，但在某些情况下它会失败。这是我正在做的事情:

resp = urllib2.urlopen(request)
self.COOKIE_JAR.extract_cookies(resp, request)
content = resp.read()
encodeType= resp.headers.getparam('charset')
resp.close()

这是我的第一次尝试。但是如果字符集返回类型为 None ，我这样做:

soup = BeautifulSoup(html)
if encodeType == None:
    try:
        encodeType = soup.findAll('meta', {'http-equiv':lambda v:v.lower()=='content-type'})
    except AttributeError, e:
        print e
        try:
            encodeType = soup.findAll('meta', {'charset':lambda v:v.lower() != None})
        except AttributeError, e:
            print e
            if encodeType == '':
                encodeType = 'iso-8859-1'

我正在测试的页面标题中有这样的内容: <meta charset="ISO-8859-1">

我希望第一个 try 语句返回一个空字符串，但是我在两个 try 语句上都收到此错误(这就是现在嵌套第二个语句的原因):

“NoneType”对象没有属性“lower”

第二个 try 语句有什么问题？我猜第一个也是不正确的，因为它抛出了一个错误，而不仅仅是返回空白。

或者更好有没有一种更优雅的方法来从页面中删除任何特殊字符编码？我想要实现的最终结果是我不关心任何特殊编码的字符。我想删除编码字符并保留原始文本。我可以跳过上述所有内容并告诉 BeautifulSoup 只删除任何编码的内容吗？

Answer 1

我决定只接受 BeautifulSoup 吐出的任何内容。然后，当我解析文档中的每个单词时，如果无法将其转换为字符串，我就会忽略它。

for word in doc.lower().split(): 
        try:
            word = str(word)
            word = self.handlePunctuation(word)
            if word == False:
                continue
        except UnicodeEncodeError, e:
            #word couldn't be converted to string; most likely encoding garbage we can toss anyways
            continue