Python - BeautifulSoup html解析处理gbk编码不佳 - 中文网页抓取问题

我一直在修改以下脚本：

#    -*- coding: utf8 -*-
import codecs
from BeautifulSoup import BeautifulSoup, NavigableString,
UnicodeDammit
import urllib2,sys
import time
try:
    import timeoutsocket # http://www.timo-tasi.org/python/timeoutsocket.py
    timeoutsocket.setDefaultSocketTimeout(10)
except ImportError:
    pass

h=u'\u3000\u3000\u4fe1\u606f\u901a\u4fe1\u6280\u672f'

address=urllib2.urlopen('http://stock.eastmoney.com/news/1408,20101022101395594.html').read()
soup=BeautifulSoup(address)

p=soup.findAll('p')
t=p[2].string[:10]

输出如下：

print t

¡¡¡

print h

　　信息通

t

u'\xa1\xa1\xa1\xa1\xd0\xc5\xcf\xa2\xcd\xa8'

h

你'\u3000\u3000\u4fe1\u606f\u901a'

h.encode('gbk')

'\xa1\xa1\xa1\xa1\xd0\xc5\xcf\xa2\xcd\xa8'

简单地说：当我通过 BeautifulSoup 传入这个 html 时，需要 gbk编码的文本并认为是unicode，无法识别 它需要首先被解码。但是，“h”和“t”应该相同， 因为 h 只是我从 html 文件中获取文本并将其转换 手动。

我该如何解决这个问题？

best

wheaton

该文件的元标记声称字符集是GB2312，但数据包含较新的字符GBK/GB18030这就是导致 BeautifulSoup 失败的原因：

simon@lucifer:~$ python
Python 2.7 (r27:82508, Jul  3 2010, 21:12:11) 
[GCC 4.0.1 (Apple Inc. build 5493)] on darwin
Type "help", "copyright", "credits" or "license" for more information.
>>> import urllib2
>>> data = urllib2.urlopen('http://stock.eastmoney.com/news/1408,20101022101395594.html').read()
>>> data.decode("gb2312")
Traceback (most recent call last):
  File "", line 1, in 
UnicodeDecodeError: 'gb2312' codec can't decode bytes in position 20148-20149: illegal multibyte sequence
  

此时，UnicodeDammit 摆脱困境，尝试chardet, UTF-8最后Windows-1252，它总是成功的——从外观上看，这就是你得到的。

如果我们告诉解码器用“？”替换无法识别的字符，我们可以看到 GB2312 中缺少的字符：

>>> print data[20140:20160].decode("gb2312", "replace")
毒尾气二�英的排放难
  

使用正确的编码：

>>> print data[20140:20160].decode("gb18030", "replace")
毒尾气二噁英的排放难
>>> from BeautifulSoup import BeautifulSoup
>>> s = BeautifulSoup(data, fromEncoding="gb18030")
>>> print s.findAll("p")[2].string[:10]
　　信息通信技术是&
  

Also:

>>> print s.findAll("p")[2].string
　　信息通信技术是“十二五”规划重点发展方向，行业具有很强的内在增长潜
力，增速远高于GDP。软件外包、服务外包、管理软件、车载导航、网上购物、网络游戏、
移动办公、移动网络游戏、网络视频等均存在很强的潜在需求，使信息技术行业继续保持较
高增长。