Sto usando HTMLParser per analizzare le pagine I pull down con urllib e sto incontrando le eccezioni UnicodeDecodeError
quando si passa ad alcune persone su HTMLParser
.Python HTMLParser: UnicodeDecodeError
Ho provato ad utilizzare chardet
per rilevare le codifiche e convertire in ascii
, oppure utf-8
(il docs non sembrano dire quello che dovrebbe essere). la perdita di dati è accettabile, ma mentre le linee di decodifica/codifica funzionano bene, ottengo sempre l'errore dopo self.feed().
Le informazioni sono lì se ho appena print
fuori.
from HTMLParser import HTMLParser
import urllib
import chardet
class search_youtube(HTMLParser):
def __init__(self, search_terms):
HTMLParser.__init__(self)
self.track_ids = []
for search in search_terms:
self.__in_result = False
search = urllib.quote_plus(search)
query = 'http://youtube.com/results?search_query='
page = urllib.urlopen(query + search).read()
try:
self.feed(page)
except UnicodeDecodeError:
encoding = chardet.detect(page)['encoding']
if encoding != 'unicode':
page = page.decode(encoding)
page = page.encode('ascii', 'ignore')
self.feed(page)
print 'success'
searches = ['telepopmusik breathe']
results = search_youtube(searches)
print results.track_ids
ecco l'output:
Traceback (most recent call last):
File "test.py", line 27, in <module>
results = search_youtube(searches)
File "test.py", line 23, in __init__
self.feed(page)
File "/usr/lib/python2.6/HTMLParser.py", line 108, in feed
self.goahead(0)
File "/usr/lib/python2.6/HTMLParser.py", line 148, in goahead
k = self.parse_starttag(i)
File "/usr/lib/python2.6/HTMLParser.py", line 252, in parse_starttag
attrvalue = self.unescape(attrvalue)
File "/usr/lib/python2.6/HTMLParser.py", line 390, in unescape
return re.sub(r"&(#?[xX]?(?:[0-9a-fA-F]+|\w{1,8}));", replaceEntities, s)
File "/usr/lib/python2.6/re.py", line 151, in sub
return _compile(pattern, 0).sub(repl, string, count)
UnicodeDecodeError: 'ascii' codec can't decode byte 0xc3 in position 1: ordinal not in range(128)
il codice che ho pubblicato include un URL di esempio. chardet dice che l'url di esempio è utf-8, ma quando si usa il programma, si incontrano altre codifiche (tutte danno lo stesso errore unicode). Posso leggerlo e ha senso quando stampa sulla mia console. Ubuntu 10.10 è il mio sistema operativo. Non ho alcun ragionamento per la decodifica/codifica. Sto faticando a capirlo, e ho trovato numerosi suggerimenti contrastanti attraverso google, che è uno di loro testualmente (non ricordo da dove). grazie per il vostro aiuto. Post scriptum 'Page.decode ('utf-8'); self.feed (pagina) 'dà lo stesso errore. –
Giusto per chiarire, hai provato 'page = page.decode ('utf-8'); self.feed (Pagina) '? – William
sì, mi ha dato lo stesso errore: 'UnicodeDecodeError: il codec 'ascii' non può decodificare il byte 0xc3 nella posizione 16688: ordinale non nel range (128)' –