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?


当前回答

延迟回答,但此错误与您的终端编码不支持某些字符有关。我用以下方法在python3上修复了它:

import sys
import io

sys.stdout = io.open(sys.stdout.fileno(), 'w', encoding='utf8')
print("é, à, ...")

其他回答

阅读Python Unicode HOWTO。这个错误是第一个例子。

不要使用str()将unicode转换为编码文本/字节。

相反,使用.encode()对字符串进行编码:

p.agent_info = u' '.join((agent_contact, agent_telno)).encode('utf-8').strip()

或完全在unicode中工作。

这里的许多答案(例如@agf和@Andbdrew)已经解决了OP问题最直接的方面。

然而,我认为有一个微妙但重要的方面在很大程度上被忽视了,这对所有像我这样的人来说都是非常重要的,因为他们在试图理解Python中的编码:Python 2和Python 3对字符表示的管理是截然不同的。我觉得有很大一部分困惑与人们在没有版本意识的情况下阅读Python编码有关。

我建议任何有兴趣了解OP问题根源的人,首先阅读Spolsky对字符表示和Unicode的介绍,然后转到Python 2和Python 3中Unicode的Batchelder。

对我来说,行之有效的是:

BeautifulSoup(html_text,from_encoding="utf-8")

希望这对某人有所帮助。

我只使用了以下内容:

import unicodedata
message = unicodedata.normalize("NFKD", message)

检查文档中的内容:

unicodedata.normalize(form,unistr)返回Unicode字符串unistr。表单的有效值为“NFC”、“NFKC”、,“NFD”和“NFKD”。Unicode标准定义了Unicode的各种规范化形式字符串,基于规范等价的定义和兼容性等效。在Unicode中以各种方式表达。例如,字符U+00C7(LATIN大写字母C和CEDILLA)也可以表示为序列U+0043(拉丁大写字母C)U+0327(组合塞迪拉)。对于每个字符,有两种范式:范式C和正规形式D(NFD)也称为规范形式并将每个字符转换为其分解形式。范式C(NFC)首先应用正则分解,然后再次编写预先组合的字符。除了这两种形式外,还有两种额外的正规形式基于兼容性等效性。在Unicode中,某些字符是支持通常与其他字符统一的字符。对于例如,U+2160(罗马数字一)实际上与U+0049是一样的(拉丁大写字母I)。但是,Unicode支持与现有字符集(例如gb2312)兼容。范式KD(NFKD)将应用相容性分解,即用它们的等价物替换所有兼容字符。这个范式KC(NFKC)首先应用相容性分解,然后是规范组成。即使两个unicode字符串被规范化人类读者,如果一个有组合字符而另一个没有,它们可能不相等。

帮我解决,简单易行。

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