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,当我发现打印输出将(')替换为(â\x80\x99)时,我几乎完成了刮板操作。例如,包含“中国”的标题就是“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。它只会告诉我您不能在str()上运行解码。我尝试使用re.sub()来删除(âx80\x99),但不允许我将其替换为('),因为我想使用自然语言处理来解释数据,因此担心没有撇号将会大大改变含义。非常感谢您的帮助,我觉得自己对此有所帮助。
最佳答案
在ISO 8859-1和相关代码集中(其中有很多),â
的代码点为0xE2。当您将三个字节0xE2、0x80、0x99解释为UTF-8编码时,字符为U + 2019,右单引号(即'或’
,与'或'
不同-您可能会或可能不会找出差异)。
我认为您遇到麻烦的可能性有几种,其中任何一种或多种可能都是您麻烦的根源:
'
(U + 0027,APOSTROPHE)。 print(h4)
结尾,因此可能不是问题。 将引号更改为ASCII单引号可能是最简单的。
另一方面,如果要从其他地方分析HTML,则可能必须考虑脚本如何处理UTF-8。一个非常普遍的选择是使用Unicode U + 20xx范围内的引号。也许您的刮板需要处理?