在版权符号上美化组失败

Question

我收到一个Unicode错误：UnicodeEncodeError: 'charmap' codec can't encode character u'\xa9' in position 822: character maps to <undefined>

这似乎是一个标准的版权符号，在HTML中是©。我一直找不到一个办法来摆脱这一切。我甚至尝试了一个自定义函数来用空格替换copy，但是同样的错误也失败了。

import sys
import pprint
import mechanize
import cookielib
from bs4 import BeautifulSoup
import html2text
import lxml

def MakePretty():

def ChangeCopy(S):
    return S.replace(chr(169)," ")
br = mechanize.Browser()

# Cookie Jar
cj = cookielib.LWPCookieJar()
br.set_cookiejar(cj)

# Browser options
br.set_handle_equiv(True)
#br.set_handle_gzip(True)
br.set_handle_redirect(True)
br.set_handle_referer(True)
br.set_handle_robots(False)

# Follows refresh 0 but not hangs on refresh > 0
br.set_handle_refresh(mechanize._http.HTTPRefreshProcessor(), max_time=1)

# User-Agent (this is cheating, ok?)
br.addheaders = [('User-agent', 'Mozilla/5.0 (X11; U; Linux i686; en-US; rv:1.9.0.1) Gecko/2008071615 Fedora/3.0.1-1.fc9 Firefox/3.0.1')]

# The site we will navigate into, handling its session
# Open the site
br.open('http://www.thesitewizard.com/faqs/copyright-symbol.shtml')
html = br.response().read()
soup = BeautifulSoup(html)
print soup.prettify()

if __name__ == '__main__':
    MakePretty()

我怎样才能通过版权标志变得漂亮呢？我在网络上到处寻找解决方案，但都没有结果（或者我可能不理解，因为我对Python和scraping还不太熟悉）。

谢谢你的帮助。

Answer 1

您使用的是chr()，这是错误的，因为它要求使用ASCII，而且这只能达到127/0x7F（尽管有流行的民间传说，ASCII是7位的）。0xA9/）是Unicode，因此应该改用unichr(169)。

Answer 2

发送页http://www.thesitewizard.com/faqs/copyright-symbol.shtml时不指定字符编码。页面本身在meta标记中将编码指定为ISO-8859-1，但仅在出现“）”字符之后。所以客户必须做出猜测，而且猜测可能是错误的。如果客户端猜测UTF-8，那么它将看到位A9，这是UTF-8数据中的一个数据错误。

因此，在读取数据时，似乎需要设置编码（设置为ISO-8859-1，或者更安全地设置为windows-1252）。当然，这只是一个特别的解决方案；通常修复编码是没有意义的。

Answer 3

我也有同样的问题。这可能对你有用：

print soup.prettify().encode('UTF-8')