BeautifulSoup下Unicode乱码解决

标签：blog   使用   文件   数据   问题   re   

今天在用scrapy爬某个网站的数据，其中DOM解析我用的是BeautifulSoup，速度上没有XPath来得快，不过因为用了习惯了，所以一直用的bs，版本是bs4

不过在爬取过程中遇到了一些问题，其中一个是Unicode转码问题，这也算是python中一个著名问题了。

我遇到的算是BeautifulSoup中的一个奇葩bug吧，在网页中经常会有 &nbsp 这种标记，称为 non-breaking space character, 本来这个应该是忽略的，但在bs中会把这个符号

转义成为一个unicode编码  \xa0, 这就导致了后面如果要对内容处理的话会出现UnicodeError， 特别是如果使用的是Console或者scrapy中写文件、写数据库的pipeline操作时，

出现无法转义的错误。

那么该如何解决呢，其实不难

s = u‘\xa0‘

s.replace(u‘\xa0‘, u‘‘)

之后就可以对s进行encode，比如：

s = u‘\xa0‘
s.replace(u‘\xa0‘, u‘‘).encode(‘utf-8‘)

特别是在我的项目中，如果需要把数据写到MongoDB中，这个bug fix完后，写数据立刻搞定，爬取的内容全部写到MongoDB中。

BeautifulSoup下Unicode乱码解决,布布扣,bubuko.com

BeautifulSoup下Unicode乱码解决

标签：blog   使用   文件   数据   问题   re   

原文地址：http://www.cnblogs.com/skymoney/p/python_bs_unicode.html