向.tx写入美化组输出时出现问题

Question

我正在用beauthulsoup来抓取网络文章。输出正确打印，但未将完整输出写入文件。一旦碰到一个被引用的句子，它似乎就断了。以下是相关代码。任何见解都会非常有帮助。在

使用此URL复制结果：http://www.reuters.com/article/2014/03/06/us-syria-crisis-assad-insight-idUSBREA250SD20140306

import urllib2
from bs4 import BeautifulSoup
import re
import codecs

# Ask user to enter URL
url = raw_input("Please enter a valid URL: ")

# Make sure file is clear for new content
open('ctp_output.txt', 'w').close()

# Open txt document for output
txt = open('ctp_output.txt', 'w')

# Parse HTML of article, aka making soup
soup = BeautifulSoup(urllib2.urlopen(url).read())

# retrieve all of the paragraph tags
with open('ctp_output.txt', 'w'):
    for tag in soup.find_all('p'):
        txt.write(tag.text.encode('utf-8') + '\n' + '\n')

# Close txt file with new content added
txt.close()

Answer 1

如果你在休·博思韦尔的修改之后得到了UnicodeEncodeError: 'ascii' codec can't encode characters in position 21-23: ordinal not in range(128)，那么还需要执行以下操作

使用codecs.open()或io.open()使用适当的文本编码（即encoding=“…”）打开文本文件，而不是使用open（）打开bytefile。在

fp=codecs.open('ctp_output.txt', 'w',encoding="utf-8")

就写吧

^{pr2}$

您需要import codecs来完成此操作

Answer 2

几个问题：

for tag in tags:
    f.write(tag.get_text() + '\n' + '\n')

需要进一步缩进（它应该是with open('ctp_output.txt', 'w') as f:的子级

^{pr2}$

是多余的-with语句已经确保文件被关闭

我看不出输出中有什么遗漏-你能举出一个消失的句子吗？在

编辑：这看起来像是Python3的问题-它在python2.7.5中完美地工作

编辑2:已修复str.解码（）：

---

你的代码可以简化为

from bs4 import BeautifulSoup

import sys
if sys.hexversion < 0x3000000:
    # Python 2.x
    from urllib2 import urlopen
    inp = raw_input
else:
    # Python 3.x
    from urllib.request import urlopen
    inp = input

def get_paras(url):
    page = urlopen(url).read().decode('utf-8')
    soup = BeautifulSoup(page)
    return [para.get_text() for para in soup('p')]

def write_lst(f, lst, fmt="{}\n\n".format):
    for item in lst:
        f.write(fmt(item))

def main():
    url   = inp("Please enter a fully qualified URL: ")
    fname = inp("Please enter the output file name: ")

    with open(fname, "w") as outf:
        write_lst(outf, get_paras(url))

if __name__=="__main__":
    main()

Answer 3

我猜你应该用utf8编码你要写的东西：

to_write = tag.get_text() + "\n"
f.write(to_write.encode("utf-8"))

那是我最近的广告。在