Question

我知道这已被问过几次，但我认为我做的一切都是正确的，但仍然不起作用，所以在我临床上疯了之前我会发帖子。这是代码（它应该将HTML文件转换为txt文件并省略某些行）：

fid = codecs.open(htmlFile, "r", encoding = "utf-8")
if not fid:
    return
htmlText = fid.read()
fid.close()

stripped = strip_tags(unicode(htmlText))   ### strip html tags (this is not the prob)
lines = stripped.split('\n')
out = []

for line in lines: # just some stuff i want to leave out of the output
    if len(line) < 6:
        continue
    if '*' in line or '(' in line or '@' in line or ':' in line:
        continue
    out.append(line)

result=  '\n'.join(out)
base, ext = os.path.splitext(htmlFile)
outfile = base + '.txt'

fid = codecs.open(outfile, "w", encoding = 'utf-8')
fid.write(result)
fid.close()

谢谢！

Answer 1

不确定但是通过

'\n'.join(out)

使用非unicode字符串（但是普通的旧bytes字符串），您可能会回退到某些非UTF-8编解码器。尝试：

u'\n'.join(out)

确保您在任何地方都使用unicode对象。

Answer 2

您尚未指定问题，因此这是一个完整的猜测。

strip_tags()功能返回了什么内容？它是返回一个unicode对象，还是一个字节串？如果是后者，当您尝试将其写入文件时，可能会导致解码问题。例如，如果strip_tags()返回utf-8编码的字节字符串：

>>> s = u'This is \xe4 test\nHere is \xe4nother line.'
>>> print s
This is ä test
Here is änother line.

>>> s_utf8 = s.encode('utf-8')
>>> f=codecs.open('test', 'w', encoding='utf8')
>>> f.write(s)    # no problem with this... s is unicode, but
>>> f.write(s_utf8)
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
  File "/usr/lib64/python2.7/codecs.py", line 691, in write
    return self.writer.write(data)
  File "/usr/lib64/python2.7/codecs.py", line 351, in write
    data, consumed = self.encode(object, self.errors)
UnicodeDecodeError: 'ascii' codec can't decode byte 0xc3 in position 8: ordinal not in range(128)

如果这是你所看到的，你需要确保在fid.write(result)中传递unicode，这可能意味着确保strip_tags()返回unicode。

此外，我还注意到了其他一些事情：

如果无法打开文件，

codecs.open()将引发IOError异常。它不会返回None，因此if not fid:测试无效。您需要使用try/except，理想情况下使用with。

try:
    with codecs.open(htmlFile, "r", encoding = "utf-8") as fid:
        htmlText = fid.read()
except IOError, e:
    # handle error
    print e

并且，您从通过codecs.open()打开的文件中读取的数据将自动转换为unicode，因此调用unicode(htmlText)无法实现任何目标。

在python中使用变音符号读取/写入文件（html到txt）

2 个答案: