[英]Strange characters when writing html file open(file.html, 'a', encodint=utf-8) python
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
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"})
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。
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
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.