HTML编码和lxml解析

2024-04-20 08:43:25 发布

您现在位置：Python中文网/ 问答频道 /正文
201 3

我试图最终解决一些编码问题，这些问题是从试图用lxml刮HTML时突然出现的。下面是我遇到的三个HTML文档示例：

一。

<!DOCTYPE html>
<html lang='en'>
<head>
   <title>Unicode Chars: 은 —’</title>
   <meta charset='utf-8'>
</head>
<body></body>
</html>

2。

<!DOCTYPE html>
<html xmlns="http://www.w3.org/1999/xhtml" xml:lang="ko-KR" lang="ko-KR">
<head>
    <title>Unicode Chars: 은 —’</title>
    <meta http-equiv="content-type" content="text/html; charset=utf-8" />
</head>
<body></body>
</html>

三。

<?xml version="1.0" encoding="utf-8"?>
<!DOCTYPE html
PUBLIC "-//W3C//DTD XHTML 1.0 Strict//EN"
"http://www.w3.org/TR/xhtml1/DTD/xhtml1-strict.dtd">
<html xmlns="http://www.w3.org/1999/xhtml" xml:lang="en" lang="en">
<head>
    <meta http-equiv="Content-Type" content="text/html; charset=utf-8" />
    <title>Unicode Chars: 은 —’</title>
</head>
<body></body>
</html>

我的基本脚本：

from lxml.html import fromstring
...

doc = fromstring(raw_html)
title = doc.xpath('//title/text()')[0]
print title

结果是：

Unicode Chars: ì ââ
Unicode Chars: 은 —’
Unicode Chars: 은 —’

所以，很明显，示例1和缺少的<meta http-equiv="Content-Type" content="text/html; charset=utf-8" />标记有问题。来自here的解决方案将正确地将示例1识别为utf-8，因此它在功能上等同于我的原始代码。

lxml文档似乎有冲突：

从here的例子看来，我们应该使用UnicodeDammit将标记编码为unicode。

from BeautifulSoup import UnicodeDammit

def decode_html(html_string):
    converted = UnicodeDammit(html_string, isHTML=True)
    if not converted.unicode:
        raise UnicodeDecodeError(
            "Failed to detect encoding, tried [%s]",
            ', '.join(converted.triedEncodings))
    # print converted.originalEncoding
    return converted.unicode

root = lxml.html.fromstring(decode_html(tag_soup))

但是here上面说：

[Y]ou will get errors when you try [to parse] HTML data in a unicode string that specifies a charset in a meta tag of the header. You should generally avoid converting XML/HTML data to unicode before passing it into the parsers. It is both slower and error prone.

如果我尝试遵循lxml文档中的第一个建议，我的代码现在是：

from lxml.html import fromstring
from bs4 import UnicodeDammit
...
dammit = UnicodeDammit(raw_html)
doc = fromstring(dammit.unicode_markup)
title = doc.xpath('//title/text()')[0]
print title

我现在得到以下结果：

Unicode Chars: 은 —’
Unicode Chars: 은 —’
ValueError: Unicode strings with encoding declaration are not supported.

示例1现在可以正常工作，但是示例3由于<?xml version="1.0" encoding="utf-8"?>标记而导致错误。

有没有正确的方法来处理所有这些案件？有比下面更好的解决方案吗？

dammit = UnicodeDammit(raw_html)
try:
    doc = fromstring(dammit.unicode_markup)
except ValueError:
    doc = fromstring(raw_html)

Tags： http示例langdoctitlehtmlunicodebody
2条回答
网友
1楼 · 编辑于 2024-04-20 08:43:25

这个问题可能源于这样一个事实，即<meta charset>是一个相对较新的标准（如果我没有弄错的话，那就是HTML5，或者它之前并没有真正使用过）

在更新lxml.html库以反映它之前，您需要特别处理该情况。

如果您只关心ISO-8859-*和UTF-8，并且能够舍弃非ASCII兼容的编码（例如UTF-16或东亚传统字符集），那么您可以对字节字符串执行正则表达式替换，将较新的<meta charset>替换为较旧的http-equiv格式。

否则，如果您需要一个正确的解决方案，您最好自己修补库（并在修复过程中提供修补程序）。您可能需要询问lxml开发人员是否有针对此特定错误的半生不熟的代码，或者他们是否首先在其错误跟踪系统上跟踪该错误。

网友
2楼 · 编辑于 2024-04-20 08:43:25

lxml与处理Unicode相关的severalissues。最好（目前）在显式指定字符编码时使用字节：

#!/usr/bin/env python
import glob
from lxml import html
from bs4 import UnicodeDammit

for filename in glob.glob('*.html'):
    with open(filename, 'rb') as file:
        content = file.read()
        doc = UnicodeDammit(content, is_html=True)

    parser = html.HTMLParser(encoding=doc.original_encoding)
    root = html.document_fromstring(content, parser=parser)
    title = root.find('.//title').text_content()
    print(title)

输出

Unicode Chars: 은 —’
Unicode Chars: 은 —’
Unicode Chars: 은 —’

相关问题 更多 >

    编程相关推荐