Python HTMLParser：UnicodeDecodeError

Question

我正在使用HTMLParser解析我使用urllib下拉的网页，并且在将一些内容传递给UnicodeDecodeError时遇到HTMLParser个例外。

我尝试使用chardet来检测编码并转换为ascii或utf-8（docs似乎没有说它应该是什么）。丢失是可以接受的，但是当解码/编码行工作正常时，我总是在self.feed（）之后得到错误。

如果我只是print，那么信息就在那里。

from HTMLParser import HTMLParser
import urllib
import chardet

class search_youtube(HTMLParser):

    def __init__(self, search_terms):
        HTMLParser.__init__(self)
        self.track_ids = []
        for search in search_terms:
            self.__in_result = False
            search = urllib.quote_plus(search)
            query = 'http://youtube.com/results?search_query='
            page = urllib.urlopen(query + search).read()
            try:
                self.feed(page)
            except UnicodeDecodeError:
                encoding = chardet.detect(page)['encoding']
                if encoding != 'unicode':
                    page = page.decode(encoding)
                    page = page.encode('ascii', 'ignore')
                self.feed(page)
                print 'success'

searches = ['telepopmusik breathe']
results = search_youtube(searches)
print results.track_ids

这是输出：

Traceback (most recent call last):
  File "test.py", line 27, in <module>
    results = search_youtube(searches)
  File "test.py", line 23, in __init__
    self.feed(page)
  File "/usr/lib/python2.6/HTMLParser.py", line 108, in feed
    self.goahead(0)
  File "/usr/lib/python2.6/HTMLParser.py", line 148, in goahead
    k = self.parse_starttag(i)
  File "/usr/lib/python2.6/HTMLParser.py", line 252, in parse_starttag
    attrvalue = self.unescape(attrvalue)
  File "/usr/lib/python2.6/HTMLParser.py", line 390, in unescape
    return re.sub(r"&(#?[xX]?(?:[0-9a-fA-F]+|\w{1,8}));", replaceEntities, s)
  File "/usr/lib/python2.6/re.py", line 151, in sub
    return _compile(pattern, 0).sub(repl, string, count)
UnicodeDecodeError: 'ascii' codec can't decode byte 0xc3 in position 1: ordinal not in range(128)

Answer 1

确实是UTF-8。这有效：

from HTMLParser import HTMLParser
import urllib

class search_youtube(HTMLParser):

    def __init__(self, search_terms):
        HTMLParser.__init__(self)
        self.track_ids = []
        for search in search_terms:
            self.__in_result = False
            search = urllib.quote_plus(search)
            query = 'http://youtube.com/results?search_query='
            connection = urllib.urlopen(query + search)
            encoding = connection.headers.getparam('charset')
            page = connection.read().decode(encoding)
            self.feed(page)
            print 'success'

searches = ['telepopmusik breathe']
results = search_youtube(searches)
print results.track_ids

你不需要chardet，Youtube不是白痴，他们实际上在标题中发送了正确的编码。

Answer 2

chardet说的是什么编码？

请解释“如果我打印出来的信息就在那里”：什么是“它”？如果你可以阅读它，当你将它打印到你的控制台时它是有意义的，那么它必须是你系统的通常/默认编码;那是什么？什么操作系统？什么地方？

您能给我们一个典型的网址来进行查询，以便我们可以自己检查您所看到的内容吗？

在代码中的某个位置，您解码输出，然后使用.encode('ascii', 'ignore')立即将其粉碎;为什么呢？