Question

我正在获取网页的源代码，编码为cp1252。 Chrome正确显示页面。

这是我的代码：

import sys
from urllib.request import urlopen
from bs4 import BeautifulSoup, UnicodeDammit
import re
import codecs

url = "http://www.sec.gov/Archives/edgar/data/1400810/000119312513211026/d515005d10q.htm"
page = urlopen(url).read()
print(page)
# A little preview :
# b'...Regulation S-T (&#167;232.405 of this chapter) during the preceding 12 months (or for such shorter period that the\nregistrant was required to submit and post such files).&nbsp;&nbsp;&nbsp;&nbsp;Yes&nbsp;&nbsp;<FONT STYLE="FONT-FAMILY:WINGDINGS">&#120;</FONT>...'

soup = BeautifulSoup(page, from_encoding="cp1252")
print(str(soup).encode('utf-8'))
# Same preview section as above
# b'...Regulation S-T (\xc2\xa7232.405 of this chapter) during the preceding 12 months (or for such shorter period that the\nregistrant was required to submit and post such files).\xc2\xa0\xc2\xa0\xc2\xa0\xc2\xa0Yes\xc2\xa0\xc2\xa0<font style="FONT-FAMILY:WINGDINGS">x</font>'

从预览部分，我们可以看到＆安培; NBSP \; = \ xc2 \ xa0
＆安培;＃167; = \ xc2 \ xa7
＆安培;＃120; = x

对于cp1252编码标准，我指的是 http://en.wikipedia.org/wiki/Windows-1252#Code_page_layout 和/Lib/encodings/cp1252.py

当我使用BeautifulSoup（page，from_encoding =“cp1252”）时，某些字符被正确编码，但其他字符则没有。

字符|十进制编码| cp1252-＆gt; utf-8编码
“| ＆安培;＃147; | \ xc2 \ x93（错误）
“| ＆安培;＃148; | \ xc2 \ x94（错误）
X | ＆安培;＃120; | \ xc2 \ x92（错误）
§| ＆安培;＃167; | \ xc2 \ xa7（ok）
þ| ＆安培;＃254;
¨| ＆安培;＃168;
'| ＆安培;＃146; | \ xc2 \ x92（错误）
- | ＆安培;＃150;

我使用此代码来获得等价：

characters = "’ “ ” X § þ ¨ ' –"
list = characters.split()

for ch in list:
    print(ch)
    cp1252 = ch.encode('cp1252')
    print(cp1252)

    decimal = cp1252[0]

    special = "&#" + str(decimal)
    print(special)
    print(ch.encode('utf-8'))
    print()

offenders = [120, 146]

for n in offenders:
    toHex = hex(n)
    print(toHex)
print()

#120
off = b'\x78'
print(off)
buff = off.decode('cp1252')
print(buff)
uni = buff.encode('utf-8')
print(uni)
print()

#146
off = b'\x92'
print(off)
buff = off.decode('cp1252')
print(buff)
uni = buff.encode('utf-8')
print(uni)
print()

输出

’
b'\x92'
&#146
b'\xe2\x80\x99'

“
b'\x93'
&#147
b'\xe2\x80\x9c'

”
b'\x94'
&#148
b'\xe2\x80\x9d'

X
b'X'
&#88
b'X'

§
b'\xa7'
&#167
b'\xc2\xa7'

þ
b'\xfe'
&#254
b'\xc3\xbe'

¨
b'\xa8'
&#168
b'\xc2\xa8'

'
b"'"
&#39
b"'"

–
b'\x96'
&#150
b'\xe2\x80\x93'

0x78
0x92

b'x'
x
b'x'

b'\x92'
’
b'\xe2\x80\x99'

有些角色未能将复制粘贴到编辑器中，就像奇怪的X和怪异的'，所以我添加了一些代码来处理它。

我可以对get \ xe2 \ x80 \ x9d而不是\ xc2 \ x94执行“（＆amp;＃148;）？

我的设置：
Windows 7
终端：chcp 1252 + Lucida Console字体
Python 3.3
BeautifulSoup 4

期待您的回答

Answer 1

HTML中的数字字符引用是指Unicode代码点，即它不依赖于文档的字符编码，例如，是U+0094 CANCEL CHARACTER*。

解释为utf-8的

b"\xe2\x80\x9d"字节为U+201D RIGHT DOUBLE QUOTATION MARK：

u'\u201d'.encode('utf-8') == b'\xe2\x80\x9d'
u'\u201d'.encode('cp1252') == b'\x94'
u'\u201d'.encode('ascii', 'xmlcharrefreplace') == b'&#8221;'

要修复代码，请删除不必要的位：

from urllib.request import urlopen
from bs4 import BeautifulSoup

url = "http://www.sec.gov/path/to.htm"
soup = BeautifulSoup(urlopen(url))
print(soup)

如果失败;尝试sys.stdout.buffer.write(soup.encode('cp1252'))或将PYTHONIOENCODING环境变量设置为cp1252:xmlcharrefreplace。

Answer 2

这就是我最终使用的

def reformatCp1252(match):
    codePoint = int(match.group(1))

    if 128 <= codePoint <= 159:
        return bytes([codePoint])
    else:
        return match.group()

localPage = urlopen(r_url).read()
formatedPage = re.sub(b'&#(\d+);', reformatCp1252, localPage, flags=re.I)
localSoup = BeautifulSoup(formatedPage, "lxml", from_encoding="windows-1252")

注意：我在windows7中使用bs4和python3.3

我发现from_encoding到BeautifulSoup真的无关紧要，你可以把utf-8或windows-1252给它一个完整的utf-8编码代替windows-1252编码到utf-8。
基本上所有的代码点都被解释为utf-8和单字节\ x？被解释为windows-1252。

据我所知，windows-1252中只有128到159的字符与utf-8字符不同。

例如，混合编码（windows-1252：\ x93和\ x94与utf-8：＆amp;＃376;）将仅在utf-8中输出转换。

byteStream = b'\x93Hello\x94 (\xa7232.405 of this chapter) &#376; \x87'
# with code above
print(localSoup.encode('utf-8'))
# and you can see that \x93 was transformed to its utf-8 equivalent.

Answer 3

美丽的汤正在解释实体中的代码点，即中的数字作为Unicode代码点，而不是CP-1252代码点。从BeautifulSoup 4的文档和来源，目前尚不清楚是否有办法改变HTML实体的这种解释。（EntitySubstitution类看起来很有希望，但没有用于自定义它的钩子。）

以下解决方案是hackey，只能假设所有非ASCII（即上面的代码点127）字符都以相同的方式被误解（如果有原始{{1}则不会出现这种情况。原始中的字符，BeautifulSoup将正确解释;此解决方案将破坏这些字符。）

假设你有来自Beautiful Soup转换的文本（HTML代码被解释为Unicode代码点）：

CP-1252

以下内容会将代码重新解释为soup = BeautifulSoup(page, from_encoding="cp1252") txt = str(soup)：

CP-1252

此解决方案未针对性能进行优化，但我认为对于此特定情况，它可能足够。

我从您在示例中提供的URL的“固定”文本中提取了127以上的所有代码点。这就是我得到的（似乎涵盖了你感兴趣的角色）：

def reinterpret_codepoints(chars, encoding='cp1252'):
    '''Converts code-points above 127 in the text to the given
    encoding (assuming that all code-points above 127 represent
    code-points in the given encoding)
    '''
    for char, code in zip(chars, map(ord, txt)):
        if code < 127:
            yield char
        else:
            yield bytes((code,)).decode(encoding)

fixed_text = ''.join(reinterpret_codepoints(txt))

如何解码cp1252，它是十进制的“而不是\ x93？

3 个答案: