我試圖獲取我刮的頁面的字符編碼,但在某些情況下它失敗了。這是我在做什麼:從BeautifulSoup的HTML頁面獲取內容類型
resp = urllib2.urlopen(request)
self.COOKIE_JAR.extract_cookies(resp, request)
content = resp.read()
encodeType= resp.headers.getparam('charset')
resp.close()
這是我第一次嘗試。但是,如果字符集回來爲None
類型,我這樣做:
soup = BeautifulSoup(html)
if encodeType == None:
try:
encodeType = soup.findAll('meta', {'http-equiv':lambda v:v.lower()=='content-type'})
except AttributeError, e:
print e
try:
encodeType = soup.findAll('meta', {'charset':lambda v:v.lower() != None})
except AttributeError, e:
print e
if encodeType == '':
encodeType = 'iso-8859-1'
的頁面,我測試了這個在標題: <meta charset="ISO-8859-1">
我希望第一個try語句返回一個空字符串,但我得到兩個try語句(這就是爲什麼第二個語句嵌套現在)這個錯誤:
「NoneType」對象有沒有屬性「低」
什麼是錯的第二個try語句?我猜測第一個也是不正確的,因爲它會拋出一個錯誤,而不是回到空白。
或更好的是否有一個更優雅的方式來從頁面中刪除任何特殊字符編碼?我試圖完成的最終結果是我不關心任何特殊編碼的字符。我想刪除編碼的字符並保留原始文本。我可以跳過上述所有內容嗎?告訴BeautifulSoup去除任何編碼的東西?
是的,但即使在我原來的問題的第一次嘗試聲明中,我正在嘗試你的#1,但它會引發錯誤。無法弄清楚原因。 – Nathan 2011-03-24 03:09:32