Question

就我而言，我想从字符串中专门删除„和”字符。我使用BeautifulSoup解析某些html段落，并从中获取子字符串。到目前为止，我的代码如下：

# -*- coding: cp1252 -*-
from bs4 import BeautifulSoup as bs
import re

soup = bs(open("file.xhtml"), 'html.parser')

for tag in soup.find_all('p', {"class": "fnp2"}) :
    line = unicode(str(tag).split(':')[0], "utf-8")
    line = re.sub('(<p class="fnp2">)(\d+) ', '', line)
    line = line.replace('„', '')
    print line

但是，我总是收到UnicodeDecodeError：

line = line.replace('„', '')

UnicodeDecodeError: 'ascii' codec can't decode byte 0x84 in position
0: ordinal not in range(128)

对此有什么解决方案？

Answer 1

代码中的line变量是unicode对象。当您调用line.replace时，Python期望第一个参数也是unicode对象。如果您改为提供str对象，Python将尝试使用系统默认编码（您可以通过unicode检查）将其自动解码为sys.getdefaultencoding()字符串。

显然，您的情况是系统编码为ascii。无法使用'„'编解码器对字节字符串ascii进行解码，因为'„'不是ACII符号，这会导致您看到异常。

您可以通过changing the default system encoding来解决问题，方法与提供'„'字符串时所用的问题相同（我想是CP1252），但是这种解决方法仅从学术角度来看很有趣，因为它只是把问题扫了个遍。

首先，只需为unicode方法提供一个replace对象，即可正确，安全且轻松地解决您的问题。这就像在代码中将'„'替换为u'„'一样简单。

如何从字符串中删除某些utf-8字符？

1 个答案: