使用BeautifulSoup后HTML出现乱码

Question

我正在使用urllib2下载页面并将其加载到BeautifulSoup中：

from bs4 import BeautifulSoup as Soup
import urllib2
baseHTML = 'http://forums.macrumors.com/'
baseForum = 'forumdisplay.php?f=109'
forumHTML = urllib2.urlopen(baseHTML+baseForum).read()
page = Soup(forumHTML)
print forumHTML
print page

打印forumHTML时，一切正常，返回的html完全正常。

但是，在打印page时，HTML会出现乱码：

<a href="showthread.php?t=324487" id="thread_title_324487">iPhone Tips and Tricks thread</a>
<span class="smallf">o n t "   s t y l e = " w h i t e - s p a c e 

如您所见，BeautifulSoup因错误的原因在错误的位置添加>。 这是forumHTML内的相同HTML：

<a href="showthread.php?t=324487" id="thread_title_324487">iPhone Tips and Tricks thread</a>
<span class="smallfont" style="white-space

为什么会这样？我在Windows 64位上使用python 2.7，如果这很重要的话。

Answer 1

我在Google地方信息页面上有类似的问题，没有＆gt;添加了标志，但我在html代码中引入了空格相同的问题...并重新安装BeautifoulSoup并没有使它工作：）

无论如何，我回到了BeautifulSoup4文档，阅读了它支持的不同HTML解析器，尝试使用Python的html.parser

from bs4 import BeautifulSoup

...

page = BeautifulSoup(markup, "html.parser")

问题解决了。如果您遇到此问题，可能需要使用支持的HTML解析器之一。

Answer 2

很长一段时间没有找到解决方案，我决定重新安装BeautifulSoup - 以某种方式修复了问题。