HTML编码和lxml解析
Posted
技术标签:
【中文标题】HTML编码和lxml解析【英文标题】：HTML encoding and lxml parsing 【发布时间】：2013-02-24 11:27:25 【问题描述】：我正在尝试最终解决一些因尝试使用 lxml 抓取 html 而弹出的编码问题。以下是我遇到的三个示例 HTML 文档：
1.
<!DOCTYPE html>
<html lang='en'>
<head>
<title>Unicode Chars: 은 —’</title>
<meta charset='utf-8'>
</head>
<body></body>
</html>
2.
<!DOCTYPE html>
<html xmlns="http://www.w3.org/1999/xhtml" xml:lang="ko-KR" lang="ko-KR">
<head>
<title>Unicode Chars: 은 —’</title>
<meta http-equiv="content-type" content="text/html; charset=utf-8" />
</head>
<body></body>
</html>
3.
<?xml version="1.0" encoding="utf-8"?>
<!DOCTYPE html
PUBLIC "-//W3C//DTD XHTML 1.0 Strict//EN"
"http://www.w3.org/TR/xhtml1/DTD/xhtml1-strict.dtd">
<html xmlns="http://www.w3.org/1999/xhtml" xml:lang="en" lang="en">
<head>
<meta http-equiv="Content-Type" content="text/html; charset=utf-8" />
<title>Unicode Chars: 은 —’</title>
</head>
<body></body>
</html>
我的基本脚本：
from lxml.html import fromstring
...
doc = fromstring(raw_html)
title = doc.xpath('//title/text()')[0]
print title
结果是：
Unicode Chars: ì ââ
Unicode Chars: 은 —’
Unicode Chars: 은 —’
所以，样品 1 和缺少的 <meta http-equiv="Content-Type" content="text/html; charset=utf-8" /> 标记显然存在问题。 here 的解决方案将正确地将示例 1 识别为 utf-8，因此它在功能上等同于我的原始代码。
lxml 文档出现冲突：
来自here 的示例似乎建议我们应该使用 UnicodeDammit 将标记编码为 unicode。
from BeautifulSoup import UnicodeDammit
def decode_html(html_string):
converted = UnicodeDammit(html_string, isHTML=True)
if not converted.unicode:
raise UnicodeDecodeError(
"Failed to detect encoding, tried [%s]",
', '.join(converted.triedEncodings))
# print converted.originalEncoding
return converted.unicode
root = lxml.html.fromstring(decode_html(tag_soup))
但是 here 它说：
[Y]当您尝试 [解析] Unicode 字符串中的 HTML 数据（该字符串在标头的元标记中指定字符集）时，您将收到错误消息。在将 XML/HTML 数据传递给解析器之前，您通常应该避免将其转换为 unicode。它既慢又容易出错。
如果我尝试遵循 lxml 文档中的第一个建议，我的代码现在是：
from lxml.html import fromstring
from bs4 import UnicodeDammit
...
dammit = UnicodeDammit(raw_html)
doc = fromstring(dammit.unicode_markup)
title = doc.xpath('//title/text()')[0]
print title
我现在得到以下结果：
Unicode Chars: 은 —’
Unicode Chars: 은 —’
ValueError: Unicode strings with encoding declaration are not supported.
示例 1 现在可以正常工作，但示例 3 由于 <?xml version="1.0" encoding="utf-8"?> 标记而导致错误。
是否有正确的方法来处理所有这些情况？有没有比以下更好的解决方案？
dammit = UnicodeDammit(raw_html)
try:
doc = fromstring(dammit.unicode_markup)
except ValueError:
doc = fromstring(raw_html)
【问题讨论】：
【参考方案1】：问题可能源于<meta charset> 是一个相对较新的标准（如果我没记错的话是 HTML5，或者它之前并没有真正使用过。）
在 lxml.html 库更新以反映它之前，您需要特别处理这种情况。
如果您只关心 ISO-8859-* 和 UTF-8，并且可以舍弃不兼容 ASCII 的编码（例如 UTF-16 或东亚传统字符集），则可以进行正则表达式替换在字节字符串上，将较新的 <meta charset> 替换为较旧的 http-equiv 格式。
否则，如果您需要适当的解决方案，最好的办法是自己修补库（并在您使用它时提供修复。）您可能想询问 lxml 开发人员是否有任何半生不熟的代码为这个特定的错误四处寻找，或者他们是否首先在他们的错误跟踪系统上跟踪错误。
【讨论】：
+1 因为 lxml 可能不理解 。我会看看我能做些什么来添加一个补丁，还没有深入研究他们的代码。【参考方案2】：lxml 具有与处理 Unicode 相关的 several issues。在明确指定字符编码时最好使用字节（目前）：
#!/usr/bin/env python
import glob
from lxml import html
from bs4 import UnicodeDammit
for filename in glob.glob('*.html'):
with open(filename, 'rb') as file:
content = file.read()
doc = UnicodeDammit(content, is_html=True)
parser = html.HTMLParser(encoding=doc.original_encoding)
root = html.document_fromstring(content, parser=parser)
title = root.find('.//title').text_content()
print(title)
输出
Unicode Chars: 은 —’
Unicode Chars: 은 —’
Unicode Chars: 은 —’
【讨论】：
我认为这看起来是现在最好的解决方案；即使在 lxml 学习了 标签之后，我也可以看到它处理其他边缘情况。发布此内容后，我发现 [this][***.com/questions/11938924/… 指向了类似的方向。以上是关于HTML编码和lxml解析的主要内容，如果未能解决你的问题，请参考以下文章