Question

我正在尝试从维基百科的API获取一个页面，并使用Python将该页面打印到文件中。

json_data = json.loads(issue_request(params_html))
document = json_data['parse']['text']['*'].encode('utf-8')
a = open('test.html', 'wb')
a.write(document)

我发出的请求是http://pt.wikipedia.org/w/api.php?action=parse&prop=text&page=Dia_dos_Namorados&format=json

问题在于，当我在浏览器中打开'test.html'时，所有重音字符的呈现都不正确，所以我看到的内容如下：DiadeSÃ£o Valentim。

我尝试了各种不同的编码方案，包括编码为'latin-1'或使用编解码器，但到目前为止还没有。有趣的是，如果我在文本编辑器（sublime）中打开文件，重音字符显示正常。它只是在浏览器中看起来很有趣。

Answer 1

您将HTML片段保存为UTF-8。

通常，您可以通过在HTTP标头或HTML头中使用Content-Type来指定HTML文档的字符集。但是你没有HTTP（它只是一个文件），或者HTML头部分（它只是一个片段），所以也没办法。所以，你的浏览器必须猜测。

在这种情况下，大多数浏览器都默认使用Latin-1，尽管有些浏览器会使用您的系统字符集，或提供配置它的方法，或者甚至会尝试神奇地猜测。无论如何，如果你的浏览器试图将UTF-8显示为Latin-1，你最终会得到这样的东西：

EstapÃ¡ginaousecÃ§Ã£o foi marcadapararevisÃ£o，...

您的浏览器可能有办法覆盖页面的默认字符集。例如，使用Safari，转到“视图”菜单，然后选择“文本编码”，然后选择“UTF-8”，并执行以下操作：

Estapáginaousecçãofomarcadapararevisão，...

那么，你如何永久修复它？

好吧，你无法永久地修复它，因为没有正确的方法将非ASCII数据存储在HTML片段中。事实上，从技术上讲，浏览器甚至不应该将这样的HTML片段显示为文档。

但是，许多浏览器会让您在片段的最顶部放入<meta>标记。所以，这可能只是一个问题：

a.write('<meta http-equiv="Content-Type" content="text/html;charset=UTF-8">')
a.write(document)

但是这不适用于所有浏览器，并且不应该工作;它恰好与其中许多人碰巧。

应该合法的是将片段包装在文档中。这可以像下面这样简单：

a.write('''<!DOCTYPE html>
    <html>
    <head><meta http-equiv="Content-Type" content="text/html;charset=UTF-8"></head>
    <body>{}</body>
    </html>'''.format(document))

最好弄清楚页面编写的HTML版本，并使用适当的doctype。但这应该足够好了。

Python / HTML - 重音字符无法在浏览器中正确呈现

1 个答案: