我在处理从不同网页（在不同的网站上）获取的文本中的unicode字符时遇到了问题。我用的是BeautifulSoup。
问题是，误差并不总是可再现的；它有时会处理某些页面，有时会通过抛出UnicodeEncodeError而退出。我几乎尝试了我能想到的所有方法，但我没有找到任何能在不引发某种Unicode相关错误的情况下始终工作的方法。
导致问题的代码部分如下所示：
agent_telno = agent.find('div', 'agent_contact_number')
agent_telno = '' if agent_telno is None else agent_telno.contents[0]
p.agent_info = str(agent_contact + ' ' + agent_telno).strip()
下面是运行上面的代码段时在某些字符串上生成的堆栈跟踪：
Traceback (most recent call last):
File "foobar.py", line 792, in <module>
p.agent_info = str(agent_contact + ' ' + agent_telno).strip()
UnicodeEncodeError: 'ascii' codec can't encode character u'\xa0' in position 20: ordinal not in range(128)
我怀疑这是因为某些页面（或者更具体地说，来自某些网站的页面）可能是编码的，而其他页面可能是未编码的。所有的网站都设在英国，并提供英国消费的数据，因此不存在与内化或处理非英语文本相关的问题。
有没有人对如何解决这个问题有什么想法，以便我能够始终如一地解决这个问题？
这是一个经典的python unicode痛点！考虑以下事项：
a = u'bats\u00E0'
print a
=> batsà
到目前为止一切都很好，但如果我们调用str（a），让我们看看会发生什么：
str(a)
Traceback (most recent call last):
File "<stdin>", line 1, in <module>
UnicodeEncodeError: 'ascii' codec can't encode character u'\xe0' in position 4: ordinal not in range(128)
噢，滴，这对任何人都没有好处！要修复该错误，请使用.encode显式编码字节，并告诉python要使用的编解码器：
a.encode('utf-8')
=> 'bats\xc3\xa0'
print a.encode('utf-8')
=> batsà
Voil\u00E0！
问题是，当您调用str（）时，python使用默认的字符编码来尝试对您给它的字节进行编码，在您的情况下，这些字节有时是unicode字符的表示。要解决这个问题，你必须告诉python如何使用.encode（'hatever_unicode'）处理你给它的字符串。大多数时候，你应该可以使用utf-8。
有关此主题的精彩阐述，请参阅Ned Batchelder的PyCon演讲：http://nedbatchelder.com/text/unipain.html
问题是您试图打印unicode字符，但您的终端不支持它。
您可以尝试安装语言包en-package来解决此问题：
sudo apt-get install language-pack-en
它为所有支持的包（包括Python）提供英语翻译数据更新。如果需要，安装不同的语言包（取决于您要打印的字符）。
在某些Linux发行版上，为了确保正确设置默认的英语区域设置（因此，可以通过shell/终端处理unicode字符），需要使用此选项。有时安装它比手动配置它更容易。
然后在编写代码时，确保在代码中使用正确的编码。
例如：
open(foo, encoding='utf-8')
如果仍有问题，请仔细检查系统配置，例如：
您的区域设置文件（/etc/default/locate），该文件应具有例如。LANG=“en_US.UTF-8”LC_ALL=“en_US.UTF-8”或：LC_ALL=C.UTF-8LANG=C.UTF-8外壳中LANG/LC_CTYPE的值。通过以下方式检查shell支持的语言环境：区域设置-a |grep“UTF-8”
演示新VM中的问题和解决方案。
初始化并设置VM（例如使用流浪者）：流浪者init ubuntu/trusty64；流浪；流浪ssh请参阅：可用的Ubuntu盒子。。打印unicode字符（如商标符号™): $python-c'打印（u“\u2122”）；'回溯（最近一次调用）：文件“＜string＞”，第1行，在＜module＞中UnicodeEncodeError:“ascii”编解码器无法对位置0中的字符u“\u2122”进行编码：序号不在范围内（128）现在安装语言包en：$sudo apt-get-y安装语言包en将安装以下额外软件包：基本语言包正在生成区域设置。。。en_GB.UTF-8…/usr/sbin/locale gen:done生成完成。现在应该解决问题：$python-c'打印（u“\u2122”）；'™否则，请尝试以下命令：$LC_ALL=C.UTF-8 python-C'打印（u“\u2122”）；'™
这里是一些其他所谓的“逃避”答案的翻版。尽管这里有抗议声，但在某些情况下，扔掉麻烦的字符/字符串是一个很好的解决方案。
def safeStr(obj):
try: return str(obj)
except UnicodeEncodeError:
return obj.encode('ascii', 'ignore').decode('ascii')
except: return ""
测试：
if __name__ == '__main__':
print safeStr( 1 )
print safeStr( "test" )
print u'98\xb0'
print safeStr( u'98\xb0' )
结果：
1
test
98°
98
更新：我最初的答案是为Python 2编写的。对于Python 3：
def safeStr(obj):
try: return str(obj).encode('ascii', 'ignore').decode('ascii')
except: return ""
注：如果你愿意留下？指示“不安全”unicode字符所在的位置，请在调用中指定替换而不是忽略，以对错误处理程序进行编码。
建议：您可能希望将此函数命名为Ascii？这是一个偏好问题。。。
最后，这里有一个更强大的PY2/3版本，它使用了六个，我选择使用替换，并添加了一些字符交换，以用作为ascii集合一部分的简单垂直引号来替换花哨的unicode引号和撇号，这些引号或撇号向左或向右卷曲。您可以自己扩展此类掉期：
from six import PY2, iteritems
CHAR_SWAP = { u'\u201c': u'"'
, u'\u201D': u'"'
, u'\u2018': u"'"
, u'\u2019': u"'"
}
def toAscii( text ) :
try:
for k,v in iteritems( CHAR_SWAP ):
text = text.replace(k,v)
except: pass
try: return str( text ) if PY2 else bytes( text, 'replace' ).decode('ascii')
except UnicodeEncodeError:
return text.encode('ascii', 'replace').decode('ascii')
except: return ""
if __name__ == '__main__':
print( toAscii( u'testin\u2019' ) )
我在尝试将Unicode字符输出到stdout时遇到了这个问题，但使用sys.stdout.write，而不是打印（这样我也可以支持输出到其他文件）。
从BeautifulSoup自己的文档中，我用编解码器库解决了这个问题：
import sys
import codecs
def main(fIn, fOut):
soup = BeautifulSoup(fIn)
# Do processing, with data including non-ASCII characters
fOut.write(unicode(soup))
if __name__ == '__main__':
with (sys.stdin) as fIn: # Don't think we need codecs.getreader here
with codecs.getwriter('utf-8')(sys.stdout) as fOut:
main(fIn, fOut)
