Question

我正在使用python和BeautifulSoup进行网页抓取。

body = soup.find("article")
tempvar = body.find()

fuu = open('tempfile', 'w')
tempvar = tempvar.encode('utf-8')
fuu.write(str(tempvar))
fuu.close()

fupa = open('tempfile')
joji = BeautifulSoup(fupa,'html.parser')
fupa.close()

print(joji)

tempvar 会包含html内容，有时还会包含emojis。我想稍后在真正的html文件中使用文件tempfile的内容。

print（joji）产生类似这样的东西：

<b>mencapai\xc2\xa0batas aksara 140</b>, tapi sudah tentu itu tidak termasuk semua <i>tweet </i>yang tak pernah dihantar kerana pengguna tidak boleh nak luahkan apa yang mereka mahukan. Selepas <b>mengaktifkan aksara 280</b> pada <b>sejumlah kecil akaun </b>yang bertuah, <b>Twitter </b>mengatakan <b>hanya 1%</b> sahaja <b>pengguna yang capai had aksara 280</b>. Tulis panjang\xc2\xb2 nak buat karangan ka. \xf0\x9f\x98\x9c<br/>\n<br/>\nIa juga jarang berlaku bagi pengguna untuk mencapai aksara 280, hanya <b>2%</b> dari <i>tweet </i><b>melebihi aksara 190</b>. <b>Had aksara tweet sebanyak 280 </b>juga <b>mendapat lebih <i>likes </i>dan <i>retweets </i></b>daripada had aksara <i>tweet </i>sebanyak 140. \xf0\x9f\x98\x8a<br/>\n<br/>

Answer 1

tempvar是一个Unicode字符串。将其正确写入文件：

with open('tempfile', 'w', encoding='utf8') as fuu:
    fuu.write(tempvar)

请阅读：

with open('tempfile', encoding='utf8') as fupa:
    ...

如何从UTF-8文件中检索原始字符串？

1 个答案: