撇号打印为 â\x80\x99

Question

import requests
from bs4 import BeautifulSoup
import re

source_url = requests.get('http://www.nytimes.com/pages/business/index.html')
div_classes = {'class' :['ledeStory' , 'story']}
title_tags = ['h2','h3','h4','h5','h6']

source_text = source_url.text
soup = BeautifulSoup(source_text, 'html.parser')


stories = soup.find_all("div", div_classes)

h = []; h2 = []; h3 = []; h4 =[]

for x in range(len(stories)):

    for x2 in range(len(title_tags)):
        hold = []; hold2 = []
        hold = stories[x].find(title_tags[x2])

        if hold is not None:
            hold2 = hold.find('a')

            if hold2 is not None:
                hh = (((hold.text.strip('a'))).strip())
                h.append(hh)
                #h.append(re.sub(r'[^\x00-\x7f]',r'', ((hold.text.strip('a'))).strip()))
                #h2.append(hold2.get('href'))

    hold = []
    hold = stories[x].find('p')

    if hold is not None:
        h3.append(re.sub(r'[^\x00-\x7f]',r'',((hold.text.strip('p')).strip())))

    else:
        h3.append('None')


h4.append(h)
h4.append(h2)
h4.append(h3)
print(h4)

嘿大家。我一直想抓取一些数据，当我注意到打印输出将 (') 替换为 (â\x80\x99) 时，我几乎完成了我的抓取。例如，包含“China's”的标题是“Chinaâ\x80\x99s”。我做了一些研究并尝试使用解码/编码（utf-8）但无济于事。它只会告诉我你不能在 str() 上运行解码。我尝试使用 re.sub() 这会让我删除 (â\x80\x99) 但不会让我用 (') 替换它 因为我想使用自然语言处理来解释数据 担心没有撇号将大大改变意义。将不胜感激，我觉得我遇到了这个问题。

Answer 1

在ISO 8859-1和相关代码集中（有很多），\xc3\xa2有代码点0xE2。当您将三个字节 0xE2、0x80、0x99 解释为 UTF-8 编码时，该字符为 U+2019，右单引号（即 \xe2\x80\x99 或，与 \' 或\xe2\x80\xe2\x80\x99不同）\'\x94 你可能能也可能不能发现差异）。

\n\n

我认为您遇到困难的根源有几种可能性，其中任何一种或多种都可能是您遇到麻烦的根源：

\n\n

\n
1. 您的终端未设置为解释 UTF-8。
\n
2. 您的源代码应使用\'（U+0027，撇号）。
\n
3. 您使用的是 Python 2.x 而不是 Python 3.x，并且由于使用 Unicode (UTF-8) 而出现问题。与此相反（正如Cory Madden 指出的那样），代码以print(h4)Python 3 结尾，所以这可能不是问题所在。
\n

\n\n

将引号更改为 ASCII 撇号可能是最简单的方法。

\n\n

另一方面，如果您从其他地方分析 HTML，您可能必须考虑您的脚本将如何处理 UTF-8。使用 Unicode U+20xx 范围中的引号是一种非常常见的选择；也许你的刮刀需要处理它？

\n