Question

我有一个简单的程序来获取福克斯新闻的文章文本，但由于某种原因，我很难让引号被正确解码。

from bs4 import BeautifulSoup
import urllib

r = urllib.urlopen('http://www.foxnews.com/politics/2016/10/14/emails-reveal-clinton-teams-early-plan-for-handling-bill-sex-scandals.html').read()
soup = BeautifulSoup(r, 'html.parser')

for item in soup.find_all('div', class_='article-text'):
    print item.get_text().encode('UTF-8')

这抓住了我正在寻找的文字，但对于文章中的几乎所有引号，它们都是这样打印的：Bill Clinton's。我已经尝试专门定义解码为utf-8并查看了页面以查看它声明的编码，并且它也是utf-8所以我不确定为什么会这样。

Answer 1

所以这并不能解决为什么Beautiful Soup在解码文本时遇到问题，但我找到了两种迂回的方法来解决这个问题。一种是在脚本顶部声明一个编码：

      # This Python file uses the following encoding: utf-8

另一种是解码并删除所有Unicode字符，然后再用ascii进行编码。

print(temp.decode('unicode_escape').encode('ascii','ignore'))

美丽的汤使用html.parser麻烦解码引号

1 个答案: