首页 > 代码库 > 【已解决】BeautifulSoup已经获得了Unicode的Soup但是print出来却是乱码

【已解决】BeautifulSoup已经获得了Unicode的Soup但是print出来却是乱码

2024-07-16 04:23:22   216人阅读

【问题】

某人遇到的问题：

关于BeautifulSoup抓取表格及SAE数据库导入的问题（跪求大神帮忙）

简单说就是：

用如下代码：

?
1
2
3
4
5
6
7
import re,urllib2
from BeautifulSoup import BeautifulSoup
from urllib import urlopen
doc=urllib2.urlopen("http://www.w3school.com.cn/html/html_tables.asp")
soup = BeautifulSoup(doc,fromEncoding="GB2312")这里怎么改也没用
a=soup.findAll("td")
print a

但是得到的打印输出还是显示的是乱码：

soup print messy cpde

 

【解决过程】

1. 此处专门通过实际测试，然后再去查证资料，最终，完整的代码和解释，如下：

?
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
#!/usr/bin/python
# -*- coding: utf-8 -*-
"""
Function:
【已解决】BeautifulSoup已经获得了Unicode的Soup但是print出来却是乱码
 
http://www.crifan.com/beautifulsoup_already_got_unicode_soup_but_print_messy_code
 
Author:     Crifan Li
Version:    2013-05-30
Contact:    http://www.crifan.com/contact_me/
"""
      
import re,urllib2
from BeautifulSoup import BeautifulSoup
from urllib import urlopen
      
def scrapeW3school():
    html = urllib2.urlopen("http://www.w3school.com.cn/html/html_tables.asp");
    #soup = BeautifulSoup(html); #此句效果是一样的：
    #实测结果是：不加fromEncoding，也是可以自动正确（去判断原始的字符编码为GB2312，然后去）解析（出后来的Unicode的soup）的
    soup = BeautifulSoup(html, fromEncoding="GB2312");
    #print "soup=",soup;
    allTdSoup = soup.findAll("td");
    print "type(allTdSoup)=",type(allTdSoup); #type(allTdSoup)= <class ‘BeautifulSoup.ResultSet‘>，但是实际上算是个List
    print "len(allTdSoup)=",len(allTdSoup); #len(allTdSoup)= 32，此处List的长度是32
    print "allTdSoup=",allTdSoup;
    # allTdSoup= [<td>row 1, cell 1</td>, <td>row 1, cell 2</td>, <td>row 2, ......, <td><a href="http://www.mamicode.com/tags/tag_tfoot.asp">&lt;tfoot&gt;</a></td>
    # , <td>瀹氫箟琛ㄦ牸鐨勯〉鑴氥€?/td>, <td><a href="http://www.mamicode.com/tags/tag_col.asp">&lt;col&gt;</a></td>, <td>瀹氫箟鐢ㄤ簬琛ㄦ牸鍒楃殑灞
    # 炴€с€?/td>, <td><a href="http://www.mamicode.com/tags/tag_colgroup.asp">&lt;colgroup&gt;</a></td>, <td>瀹氫箟琛ㄦ牸鍒楃殑缁勩€?/td>]
  
    #此处，看起来是乱码，但是实际上，此处得到的allTdSoup是个列表，而其中的每个soup，虽然内部编码都是正常的unicode了
    #但还是会打印出来乱码，那是因为：
    #1.先看官网的解释：
    #http://www.crummy.com/software/BeautifulSoup/bs3/documentation.zh.html
    #"当你调用__str__,prettify或者renderContents时， 你可以指定输出的编码。默认的编码(str使用的)是UTF-8。"
    #所以：
    #此处，对于去打印allTdSoup，即去打印一个soup的List，所以，针对List中的每个soup（其本质是个对象），而将其输出为字符串的话，默认是调用其__str__属性
    #所以就相当于：
    #针对allTdSoup中的每个soup：
    #   调用该soup的__str__获得对应的字符串（表示的该soup的内容）
    #最终组合输出你所看到的["xxx", "xxx", ...]之类的结果，
    #其中，"xxx"，就是对应的每个soup.__str__的结果
    #而此处的每个soup的__str__的值：
    #如官网所述，默认是UTF-8的编码
    #所以，此处获得的字符串是UTF-8编码的字符串，
    #所以print输出到此处cmd
    #而cmd是GBK编码
    #所以，将UTF-8编码的字符，在GBK的cmd中显示，就显示出乱码了
    #其中：
    #（1）如果对于cmd是GBK不了解，去看：
    #设置字符编码：简体中文GBK/英文
    #http://www.crifan.com/files/doc/docbook/soft_dev_basic/release/html/soft_dev_basic.html#cmd_encoding
    #（2）如果对于GBK，UTF-8本身不了解，去看：
    #字符编码详解
    #http://www.crifan.com/files/doc/docbook/char_encoding/release/html/char_encoding.html
    #（3）针对于soup本身，其实已经是Unicode编码，所以可以通过官网所说的，指定__str__输出时的编码为GBK，以使得此处正确显示非乱码的中文
    for eachTdSoup in allTdSoup:
        print "type(eachTdSoup)=",type(eachTdSoup); #type(eachTdSoup)= <type ‘instance‘>，说明类型是BeautifulSoup的实例instance
        print "eachTdSoup.string=",eachTdSoup.string; #输出soup的string属性，即该tag中的字符串内容部分，其本身已经是Unicode，所以可以正常输出非乱码的中文
        print "type(eachTdSoup.string)=",type(eachTdSoup.string); #但是要注意一下，此处不是Unicode类型，而是：type(eachTdSoup.string)= <class ‘BeautifulSoup.NavigableString‘>
        print "eachTdSoup=",eachTdSoup; #直接输出soup本身，所以相当于：eachTdSoup.__str__ == eachTdSoup.__str__("UTF-8")，所以遇到中文时是乱码
        print "eachTdSoup.renderContents()=",eachTdSoup.renderContents(); #直接输出内容本身，默认也是用的是UTF-8，所以遇到中文时也是乱码
        print "eachTdSoup.__str__(‘GBK‘)=",eachTdSoup.__str__(‘GBK‘);#专门指定了GBK编码，所以可以正常显示非乱码的中文
    #摘录其中部分输出：
    # type(eachTdSoup)= <type ‘instance‘>
    # eachTdSoup.string= row 1, cell 1
    # type(eachTdSoup.string)= <class ‘BeautifulSoup.NavigableString‘>
    # eachTdSoup= <td>row 1, cell 1</td>
    # eachTdSoup.renderContents()= row 1, cell 1
    # eachTdSoup.__str__(‘GBK‘)= <td>row 1, cell 1</td>
    # ......
    # type(eachTdSoup)= <type ‘instance‘>
    # eachTdSoup.string= 定义表格列的组。
    # type(eachTdSoup.string)= <class ‘BeautifulSoup.NavigableString‘>
    # eachTdSoup= <td>瀹氫箟琛ㄦ牸鍒楃殑缁勩€?/td>
    # eachTdSoup.renderContents()= 瀹氫箟琛ㄦ牸鍒楃殑缁勩€
    # eachTdSoup.__str__(‘GBK‘)= <td>定义表格列的组。</td>
    #
    #（4）另外，关于BeautifulSoup可以根据html中的charset猜测其编码的事情，不了解的去看：
    #【整理】关于HTML网页源码的字符编码（charset）格式（GB2312，GBK，UTF-8，ISO8859-1等）的解释
    #http://www.crifan.com/summary_explain_what_is_html_charset_and_common_value_of_gb2312_gbk_utf_8_iso8859_1
  
if __name__ == "__main__":
    scrapeW3school();

 

【总结】

所以说：

表面上看起来从BeautifulSoup解析后得到的soup，打印出来是乱码，但是实际上其本身已经是，正确的（从原始的GB2312编码）解析（为Unicode）后的了。

之所以乱码，那是因为，打印soup时，调用的是__str__，其默认是UTF-8，所以输出到GBK的cmd中，才显示是乱码。

总结下来就是：

非得搞懂了：

  • 各种编码本身的逻辑：啥是GBK，啥是UTF-8，啥是Unicode

  • BeautifulSoup的逻辑：可以通过fromEncoding去正确的解析html为Unicode编码的

  • print一个对象的逻辑：内部是调用对象的__str__得到对应的字符串的，此处对应的是soup的__str__

  • soup的__str__的逻辑：默认编码是UTF-8

  • cmd的逻辑：（中文的系统中）编码为GBK

然后才能明白此处的问题的根本的原因的。


联系
我们