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

您可以使用unicodedata来避免UnicodeEncodeError。下面是一个示例:

import unicodedata

agent_telno = agent.find('div', 'agent_contact_number')
agent_telno = unicodedata.normalize("NFKD", agent_telno) #it will remove all unwanted character like '\xa0'
agent_telno = '' if agent_telno is None else agent_telno.contents[0]
p.agent_info = str(agent_contact + ' ' + agent_telno).strip()

其他回答

如果您有类似packet_data=“This is data”的内容,那么在初始化packet_data后的下一行执行此操作:

unic = u''
packet_data = unic

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”);'™

这将起作用:

 >>>print(unicodedata.normalize('NFD', re.sub("[\(\[].*?[\)\]]", "", "bats\xc3\xa0")).encode('ascii', 'ignore'))

输出:

>>>bats

外壳内:

通过以下命令查找支持的UTF-8语言环境:区域设置-a |grep“UTF-8”在运行脚本之前导出它,例如:导出LC_ALL=$(语言环境-a|grep UTF-8)或手动类似:导出LC_ALL=C.UTF-8通过打印特殊字符进行测试,例如。™:python-c'打印(u“\u2122”);'

以上是在Ubuntu中测试的。

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。