1

我正在尝试使用 Python 的 BeautifulSoup 库进行一些简单的网页抓取,在尝试解析大多数 YouTube 页面时遇到了 UnicodeDecodeError。

似乎 YouTube 正在提供包含无效字符的 HTML。当然,这对他们来说是个问题,但我认为 BeautifulSoup 的全部意义在于它可以处理不正确的页面并尽最大努力猜测结果。如果它只是丢弃无效字符,我会很高兴。我远非 Unicode 专家,我尝试过的各种魔法咒语对我encode没有decode任何好处。

是否有人对如何处理此错误有任何建议。我不想让我的代码特定于 YouTube,因为它需要处理大量用户指定的网页。

这是一个非常简单的代码片段,它演示了这个问题:

import urllib
from bs4 import BeautifulSoup
url='https://www.youtube.com/watch?v=W9MzrirPrCI'
text = urllib.urlopen(url).read()
soup = BeautifulSoup(text)

最后一行导致以下错误:

UnicodeDecodeError                        Traceback (most recent call last)
/cygdrive/d/home/ll-virtualenv/lib/python2.7/site-packages/Django-1.5.1-py2.7.egg/django/core/management/commands/shell.pyc in <module>()
----> 1 soup = BeautifulSoup(text)

/cygdrive/d/home/ll-virtualenv/lib/python2.7/site-packages/bs4/__init__.pyc in __init__(self, markup, features, builder, parse_only, from_encoding, **kwargs)
    170
    171         try:
--> 172             self._feed()
    173         except StopParsing:
    174             pass

/cygdrive/d/home/ll-virtualenv/lib/python2.7/site-packages/bs4/__init__.pyc in _feed(self)
    183         self.builder.reset()
    184
--> 185         self.builder.feed(self.markup)
    186         # Close out any unfinished strings and close all the open tags.
    187         self.endData()

/cygdrive/d/home/ll-virtualenv/lib/python2.7/site-packages/bs4/builder/_lxml.pyc in feed(self, markup)
    193     def feed(self, markup):
    194         self.parser.feed(markup)
--> 195         self.parser.close()
    196
    197     def test_fragment_to_document(self, fragment):

/usr/lib/python2.7/site-packages/lxml-3.1.0-py2.7-cygwin-1.7.17-i686.egg/lxml/etree.dll in lxml.etree._FeedParser.close (src/lxml/lxml.etree.c:88786)()

/usr/lib/python2.7/site-packages/lxml-3.1.0-py2.7-cygwin-1.7.17-i686.egg/lxml/etree.dll in lxml.etree._TargetParserContext._handleParseResult (src/lxml/lxml.etree.c:98085)()

/usr/lib/python2.7/site-packages/lxml-3.1.0-py2.7-cygwin-1.7.17-i686.egg/lxml/etree.dll in lxml.etree._TargetParserContext._handleParseResult (src/lxml/lxml.etree.c:97909)()

/usr/lib/python2.7/site-packages/lxml-3.1.0-py2.7-cygwin-1.7.17-i686.egg/lxml/etree.dll in lxml.etree._ExceptionContext._raise_if_stored (src/lxml/lxml.etree.c:9071)()

/usr/lib/python2.7/site-packages/lxml-3.1.0-py2.7-cygwin-1.7.17-i686.egg/lxml/etree.dll in lxml.etree._handleSaxData (src/lxml/lxml.etree.c:94081)()

UnicodeDecodeError: 'utf8' codec can't decode byte 0xd7 in position 22: invalid continuation byte
4

2 回答 2

1

BeautifulSoup 4 到 4.0.3 版本存在编码问题,这是一个已在最新版本中修复的错误。因此,您应该将美丽的汤升级到最新版本。

您可以使用 pip 将美丽的汤升级到最新版本(如果您使用的是 pip)

pip install beautifulsoup --upgrade

在写这个答案时,美丽的汤是 4.3.2,它不包含关于编码的问题。

我也在最新的 bs4 上试过你的代码,没有这样的问题。

于 2013-12-19T13:33:12.850 回答
0

sys.setdefaultencoding("utf-8")在导入beautifulsoup 模块之前尝试一下?

于 2013-05-03T17:22:44.287 回答