编写html文件时出现奇怪的字符open（file.html，'a'，encodint = utf-8）python

Question

我正在使用Jinja和BS4刮擦html并将其粘贴到新文件中，一切正常。

我为另一个客户端修改了它，并抛出了一个编码错误，我添加了编码=utf-8 ，它再次起作用。

但是，有些文本现在是gobblydegook，老实说，我不知道它是什么，但不是ASCII

示例字符：¢这不是长破折号。

在该脚本的其他版本中，它无需编码即可工作，并且抛出零个奇怪的字符。

完整的脚本在这里： git

违规的项目是第133行

打开HTML

f = open(new_file + '.html', 'a', encoding='utf-8')

message = result

f.write(message)# write result

f.close()#close html

*请注意，我尚未使用编码推送新版本。

我通过使用请求通过URL从BeautifulSoup读取它。

r = requests.get(ebay_url)
html_bytes = r.content

html_string = html_bytes.decode('UTF-8')

soup = bs4(html_string, 'html.parser')
description_source = soup.find("div", {"class":"dv3"})

Answer 1

使用.text （不是.content ！）从请求模块获取解码的响应内容 。 这样，您不必手动解码响应。 请求模块将通过查看HTTP响应标头自动选择正确的编码。

import codecs
import requests
from bs4 import BeautifulSoup as bs4

def get_ebay_item_html(item_id):
    ebay_url = 'http://vi.vipr.ebaydesc.com/ws/eBayISAPI.dll?ViewItemDescV4&item='
    r = requests.get(ebay_url + str(item_id))

    return r.text

现在我们可以检索一个项目：

item_to_revise = "271796888350"
item_html = get_ebay_item_html(item_to_revise)

...从中抓取数据：

soup = bs4(item_html , 'html.parser')
dv3 = soup.find("div", {"class":"dv3"})
print dv3

...保存到文件中：

with codecs.open("271796888350.html", "w", encoding="UTF-8") as f:
    f.write(item_html)

...从文件加载：

with codecs.open("271796888350.html", "r", encoding="UTF-8") as f:
    item_html = f.read()

...或将其发送到ebaysdk模块 。 为此，我强烈不建议使用这样的结构： "<![CDATA["+ f.read() + "]]>" 。 无法以这种方式可靠地构建CDATA。 请改用适当的XML编码功能 ，这样更安全。

from xml.sax.saxutils import escape
from ebaysdk.trading import Connection as Trading

api = Trading(debug=args.debug, siteid=site_id, appid=app_id, token=token_id, config_file=None, certid=cert_id, devid=dev_id)

api.execute('ReviseFixedPriceItem', {
    "Item": {
        "Country": "GB",
        "Description": escape(item_html),
        "ItemID": item_to_revise
    }
})

实际上，ebaysdk模块似乎支持escape_xml标志，该标志完全透明地执行上面的代码。 我认为您应该使用它代替：

api = Trading(escape_xml=true, debug=args.debug, siteid=site_id, appid=app_id, token=token_id, config_file=None, certid=cert_id, devid=dev_id)

api.execute('ReviseFixedPriceItem', {
    "Item": {
        "Country": "GB",
        "Description": item_html,
        "ItemID": item_to_revise
    }
})

在我的测试中，所有角色在所有方面看起来都不错。

Answer 2

f = open(new_file + '.html', 'a', encoding='utf-8')
x = f.read()

re.sub(ur'\\u2014','-',x)
re.sub(ur'\xc3\xa2\xc2\x80\xc2','-',x)
re.sub(ur'\xe3\xa2\xe2\x80\xe2','-',x)
print x