Question

我需要存储可以使用任何语言的网站内容。我需要能够在内容中搜索Unicode字符串。

我尝试过类似的事情：

import urllib2

req = urllib2.urlopen('http://lenta.ru')
content = req.read()

内容是字节流，因此我可以在其中搜索Unicode字符串。

当我执行urlopen然后读取使用标题中的字符集来解码内容并将其编码为UTF-8时，我需要一些方法。

Answer 1

在您执行的操作之后，您将看到：

>>> req.headers['content-type']
'text/html; charset=windows-1251'

所以：

>>> encoding=req.headers['content-type'].split('charset=')[-1]
>>> ucontent = unicode(content, encoding)

ucontent现在是一个Unicode字符串（140655个字符） - 例如，如果您的终端是UTF-8，则显示其中的一部分：

>>> print ucontent[76:110].encode('utf-8')
<title>Lenta.ru: Главное: </title>

你可以搜索等等。

编辑：Unicode I / O通常很棘手（这可能会阻碍原始提问者）但是我将绕过将Unicode字符串输入到交互式Python解释器的难题（与原始问题完全无关）为了说明，一旦Unicode字符串被正确输入（我是通过代码点来做 - 傻傻但不狡猾;-)，搜索绝对是一个明智的选择（因此希望原始问题得到彻底解决）。再假设一个UTF-8终端：

>>> x=u'\u0413\u043b\u0430\u0432\u043d\u043e\u0435'
>>> print x.encode('utf-8')
Главное
>>> x in ucontent
True
>>> ucontent.find(x)
93

注意：请注意，此方法可能不适用于所有网站，因为某些网站仅在提供的文档中指定字符编码（例如，使用http-equiv元标记）。

Answer 2

要解析Content-Type http标头，您可以使用cgi.parse_header功能：

import cgi
import urllib2

r = urllib2.urlopen('http://lenta.ru')
_, params = cgi.parse_header(r.headers.get('Content-Type', ''))
encoding = params.get('charset', 'utf-8')
unicode_text = r.read().decode(encoding)

另一种获取字符集的方法：

>>> import urllib2
>>> r = urllib2.urlopen('http://lenta.ru')
>>> r.headers.getparam('charset')
'utf-8'

或者在Python 3中：

>>> import urllib.request
>>> r = urllib.request.urlopen('http://lenta.ru')
>>> r.headers.get_content_charset()
'utf-8'

也可以在html文档中指定字符编码，例如<meta charset="utf-8">。

urllib2读取为Unicode

2 个答案: