如何使用BeautifulSoup正确地将UTF-8编码的HTML解析为Unicode字符串？

Question

我正在运行一个Python程序,它获取一个UTF-8编码的网页,我使用BeautifulSoup从HTML中提取一些文本.

但是,当我将此文本写入文件(或在控制台上打印)时,它将以意外编码形式写入.

示例程序:

import urllib2
from BeautifulSoup import BeautifulSoup

# Fetch URL
url = 'http://www.voxnow.de/'
request = urllib2.Request(url)
request.add_header('Accept-Encoding', 'utf-8')

# Response has UTF-8 charset header,
# and HTML body which is UTF-8 encoded
response = urllib2.urlopen(request)

# Parse with BeautifulSoup
soup = BeautifulSoup(response)

# Print title attribute of a <div> which uses umlauts (e.g. können)
print repr(soup.find('div', id='navbutton_account')['title'])

运行它会得到结果:

# u'Hier k\u0102\u015bnnen Sie sich kostenlos registrieren und / oder einloggen!'

但我希望Python Unicode字符串ö在单词中呈现können为\xf6:

# u'Hier k\xf6bnnen Sie sich kostenlos registrieren und / oder einloggen!'

我试着加入"fromEncoding"参数BeautifulSoup,并试图read()与decode()该response对象,但它要么没什么区别,或引发错误.

使用该命令curl www.voxnow.de | hexdump -C,我可以看到该网页确实是UTF-8编码(即它包含0xc3 0xb6)用于该ö字符:

      20 74 69 74 6c 65 3d 22  48 69 65 72 20 6b c3 b6  | title="Hier k..|
      6e 6e 65 6e 20 53 69 65  20 73 69 63 68 20 6b 6f  |nnen Sie sich ko|
      73 74 65 6e 6c 6f 73 20  72 65 67 69 73 74 72 69  |stenlos registri|

我超出了我的Python能力限制,所以我对如何进一步调试这一点感到茫然.有什么建议？

Answer 1

正如justhalf指出的那样,我的问题基本上是这个问题的重复.

HTML内容报告为UTF-8编码,除了一个或两个流氓无效的UTF-8字符外,大部分都是.

这显然使BeautifulSoup混淆了正在使用哪种编码,以及在将内容传递给BeautifulSoup时尝试首先解码为UTF-8,如下所示:

soup = BeautifulSoup(response.read().decode('utf-8'))

我会得到错误:

UnicodeDecodeError: 'utf8' codec can't decode bytes in position 186812-186813: 
                    invalid continuation byte

更仔细地观察输出,有一个字符的实例Ü被错误地编码为无效字节序列0xe3 0x9c,而不是正确的0xc3 0x9c.

由于该问题目前得分最高的答案表明,解析时可以删除无效的UTF-8字符,因此只有有效数据传递给BeautifulSoup:

soup = BeautifulSoup(response.read().decode('utf-8', 'ignore'))