|
#!/usr/bin/python
# -*- coding: utf-8 -*-
"""
Function:
【已解决】BeautifulSoup已经获得了Unicode的Soup但是print出来却是乱码
http://www.crifan.com/beautifulsoup_already_got_unicode_soup_but_print_messy_code
Author: Crifan Li
Version: 2013-05-30
Contact: http://www.crifan.com/contact_me/
"""
import re,urllib2
from BeautifulSoup import BeautifulSoup
from urllib import urlopen
def scrapeW3school():
html = urllib2.urlopen("http://www.w3school.com.cn/html/html_tables.asp");
#soup = BeautifulSoup(html); #此句效果是一样的：
#实测结果是：不加fromEncoding，也是可以自动正确（去判断原始的字符编码为GB2312，然后去）解析（出后来的Unicode的soup）的
soup = BeautifulSoup(html, fromEncoding="GB2312");
#print "soup=",soup;
allTdSoup = soup.findAll("td");
print "type(allTdSoup)=",type(allTdSoup); #type(allTdSoup)= <class ‘BeautifulSoup.ResultSet‘>，但是实际上算是个List
print "len(allTdSoup)=",len(allTdSoup); #len(allTdSoup)= 32，此处List的长度是32
print "allTdSoup=",allTdSoup;
# allTdSoup= [<td>row 1, cell 1</td>, <td>row 1, cell 2</td>, <td>row 2, ......, <td><a href="/tags/tag_tfoot.asp"><tfoot></a></td>
# , <td>瀹氫箟琛ㄦ牸鐨勯〉鑴氥€?/td>, <td><a href="/tags/tag_col.asp"><col></a></td>, <td>瀹氫箟鐢ㄤ簬琛ㄦ牸鍒楃殑灞
# 炴€с€?/td>, <td><a href="/tags/tag_colgroup.asp"><colgroup></a></td>, <td>瀹氫箟琛ㄦ牸鍒楃殑缁勩€?/td>]
#此处，看起来是乱码，但是实际上，此处得到的allTdSoup是个列表，而其中的每个soup，虽然内部编码都是正常的unicode了
#但还是会打印出来乱码，那是因为：
#1.先看官网的解释：
#http://www.crummy.com/software/BeautifulSoup/bs3/documentation.zh.html
#"当你调用__str__,prettify或者renderContents时， 你可以指定输出的编码。默认的编码(str使用的)是UTF-8。"
#所以：
#此处，对于去打印allTdSoup，即去打印一个soup的List，所以，针对List中的每个soup（其本质是个对象），而将其输出为字符串的话，默认是调用其__str__属性
#所以就相当于：
#针对allTdSoup中的每个soup：
# 调用该soup的__str__获得对应的字符串（表示的该soup的内容）
#最终组合输出你所看到的["xxx", "xxx", ...]之类的结果，
#其中，"xxx"，就是对应的每个soup.__str__的结果
#而此处的每个soup的__str__的值：
#如官网所述，默认是UTF-8的编码
#所以，此处获得的字符串是UTF-8编码的字符串，
#所以print输出到此处cmd
#而cmd是GBK编码
#所以，将UTF-8编码的字符，在GBK的cmd中显示，就显示出乱码了
#其中：
#（1）如果对于cmd是GBK不了解，去看：
#设置字符编码：简体中文GBK/英文
#http://www.crifan.com/files/doc/docbook/soft_dev_basic/release/html/soft_dev_basic.html#cmd_encoding
#（2）如果对于GBK，UTF-8本身不了解，去看：
#字符编码详解
#http://www.crifan.com/files/doc/docbook/char_encoding/release/html/char_encoding.html
#（3）针对于soup本身，其实已经是Unicode编码，所以可以通过官网所说的，指定__str__输出时的编码为GBK，以使得此处正确显示非乱码的中文
for eachTdSoup in allTdSoup:
print "type(eachTdSoup)=",type(eachTdSoup); #type(eachTdSoup)= <type ‘instance‘>，说明类型是BeautifulSoup的实例instance
print "eachTdSoup.string=",eachTdSoup.string; #输出soup的string属性，即该tag中的字符串内容部分，其本身已经是Unicode，所以可以正常输出非乱码的中文
print "type(eachTdSoup.string)=",type(eachTdSoup.string); #但是要注意一下，此处不是Unicode类型，而是：type(eachTdSoup.string)= <class ‘BeautifulSoup.NavigableString‘>
print "eachTdSoup=",eachTdSoup; #直接输出soup本身，所以相当于：eachTdSoup.__str__ == eachTdSoup.__str__("UTF-8")，所以遇到中文时是乱码
print "eachTdSoup.renderContents()=",eachTdSoup.renderContents(); #直接输出内容本身，默认也是用的是UTF-8，所以遇到中文时也是乱码
print "eachTdSoup.__str__(‘GBK‘)=",eachTdSoup.__str__(‘GBK‘);#专门指定了GBK编码，所以可以正常显示非乱码的中文
#摘录其中部分输出：
# type(eachTdSoup)= <type ‘instance‘>
# eachTdSoup.string= row 1, cell 1
# type(eachTdSoup.string)= <class ‘BeautifulSoup.NavigableString‘>
# eachTdSoup= <td>row 1, cell 1</td>
# eachTdSoup.renderContents()= row 1, cell 1
# eachTdSoup.__str__(‘GBK‘)= <td>row 1, cell 1</td>
# ......
# type(eachTdSoup)= <type ‘instance‘>
# eachTdSoup.string= 定义表格列的组。
# type(eachTdSoup.string)= <class ‘BeautifulSoup.NavigableString‘>
# eachTdSoup= <td>瀹氫箟琛ㄦ牸鍒楃殑缁勩€?/td>
# eachTdSoup.renderContents()= 瀹氫箟琛ㄦ牸鍒楃殑缁勩€
# eachTdSoup.__str__(‘GBK‘)= <td>定义表格列的组。</td>
#
#（4）另外，关于BeautifulSoup可以根据html中的charset猜测其编码的事情，不了解的去看：
#【整理】关于HTML网页源码的字符编码（charset）格式（GB2312，GBK，UTF-8，ISO8859-1等）的解释
#http://www.crifan.com/summary_explain_what_is_html_charset_and_common_value_of_gb2312_gbk_utf_8_iso8859_1
if __name__ == "__main__":
scrapeW3school();
|
