Python - BeautifulSoup 处理 gbk 编码解析差 - 中文网页抓取问题

Question

我在玩一个脚本，代码如下：

#    -*- coding: utf8 -*-
import codecs
from BeautifulSoup import BeautifulSoup, NavigableString,
UnicodeDammit
import urllib2,sys
import time
try:
    import timeoutsocket # http://www.timo-tasi.org/python/timeoutsocket.py
    timeoutsocket.setDefaultSocketTimeout(10)
except ImportError:
    pass

h=u'\u3000\u3000\u4fe1\u606f\u901a\u4fe1\u6280\u672f'

address=urllib2.urlopen('http://stock.eastmoney.com/news/1408,20101022101395594.html').read()
soup=BeautifulSoup(address)

p=soup.findAll('p')
t=p[2].string[:10]

运行后得到的结果是：

print t

¡¡¡¡ÐÅϢͨ

print h

　　信息通

t

u'\xa1\xa1\xa1\xa1\xd0\xc5\xcf\xa2\xcd\xa8'

h

u'\u3000\u3000\u4fe1\u606f\u901a'

h.encode('gbk')

'\xa1\xa1\xa1\xa1\xd0\xc5\xcf\xa2\xcd\xa8'

简单来说，当我通过BeautifulSoup处理这个HTML时，它把GBK编码的文本当成了Unicode来处理，没有意识到需要先解码。虽然“h”和“t”应该是一样的，因为“h”只是我手动从HTML文件中提取的文本并进行了转换。

我该如何解决这个问题呢？

祝好

wheaton

Answer 1

这个文件的元标签说它使用的字符集是 GB2312，但是里面却有一个字符是来自更新版的 GBK 或 GB18030，这让BeautifulSoup处理起来有点麻烦：

simon@lucifer:~$ python
Python 2.7 (r27:82508, Jul  3 2010, 21:12:11) 
[GCC 4.0.1 (Apple Inc. build 5493)] on darwin
Type "help", "copyright", "credits" or "license" for more information.
>>> import urllib2
>>> data = urllib2.urlopen('http://stock.eastmoney.com/news/1408,20101022101395594.html').read()
>>> data.decode("gb2312")
Traceback (most recent call last):
  File "", line 1, in 
UnicodeDecodeError: 'gb2312' codec can't decode bytes in position 20148-20149: illegal multibyte sequence

在这个时候，UnicodeDammit就放弃了，转而尝试 chardet、UTF-8，最后是 Windows-1252，而这个总是能成功 - 看起来就是这样。

如果我们告诉解码器把不认识的字符替换成一个'?'，我们就能看到在GB2312中缺失的字符：

>>> print data[20140:20160].decode("gb2312", "replace")
毒尾气二�英的排放难

使用正确的编码：

>>> print data[20140:20160].decode("gb18030", "replace")
毒尾气二噁英的排放难
>>> from BeautifulSoup import BeautifulSoup
>>> s = BeautifulSoup(data, fromEncoding="gb18030")
>>> print s.findAll("p")[2].string[:10]
　　信息通信技术是&

还有：

>>> print s.findAll("p")[2].string
　　信息通信技术是“十二五”规划重点发展方向，行业具有很强的内在增长潜
力，增速远高于GDP。软件外包、服务外包、管理软件、车载导航、网上购物、网络游戏、
移动办公、移动网络游戏、网络视频等均存在很强的潜在需求，使信息技术行业继续保持较
高增长。