Kodowanie HTML i parsowanie lxml
Próbuję w końcu rozwiązać niektóre problemy z kodowaniem, które pojawiają się podczas próby zeskrobania kodu HTML za pomocą lxml. Oto trzy przykładowe dokumenty HTML, które napotkałam:
1
<!DOCTYPE html>
<html lang='en'>
<head>
<title>Unicode Chars: 은 —’</title>
<meta charset='utf-8'>
</head>
<body></body>
</html>
2.
<!DOCTYPE html>
<html xmlns="http://www.w3.org/1999/xhtml" xml:lang="ko-KR" lang="ko-KR">
<head>
<title>Unicode Chars: 은 —’</title>
<meta http-equiv="content-type" content="text/html; charset=utf-8" />
</head>
<body></body>
</html>
3.
<?xml version="1.0" encoding="utf-8"?>
<!DOCTYPE html
PUBLIC "-//W3C//DTD XHTML 1.0 Strict//EN"
"http://www.w3.org/TR/xhtml1/DTD/xhtml1-strict.dtd">
<html xmlns="http://www.w3.org/1999/xhtml" xml:lang="en" lang="en">
<head>
<meta http-equiv="Content-Type" content="text/html; charset=utf-8" />
<title>Unicode Chars: 은 —’</title>
</head>
<body></body>
</html>
Mój podstawowy skrypt:
from lxml.html import fromstring
...
doc = fromstring(raw_html)
title = doc.xpath('//title/text()')[0]
print title
Wyniki są następujące:
Unicode Chars: ì ââ
Unicode Chars: 은 —’
Unicode Chars: 은 —’
Więc oczywiście problem z próbką 1 i brakującym<meta http-equiv="Content-Type" content="text/html; charset=utf-8" /> etykietka. Rozwiązanie ztutaj poprawnie rozpozna próbkę 1 jako utf-8, a więc jest funkcjonalnie równoważny z moim oryginalnym kodem.
Dokumenty lxml wyglądają na skonfliktowane:
Ztutaj przykład wydaje się sugerować, że powinniśmy użyć UnicodeDammit do kodowania znaczników jako unicode.
from BeautifulSoup import UnicodeDammit
def decode_html(html_string):
converted = UnicodeDammit(html_string, isHTML=True)
if not converted.unicode:
raise UnicodeDecodeError(
"Failed to detect encoding, tried [%s]",
', '.join(converted.triedEncodings))
# print converted.originalEncoding
return converted.unicode
root = lxml.html.fromstring(decode_html(tag_soup))
jednaktutaj to mówi:
[Y] Otrzymasz błędy podczas próby [przeanalizowania] danych HTML w ciągu Unicode, który określa zestaw znaków w metatagu nagłówka. Powinieneś na ogół unikać konwertowania danych XML / HTML na Unicode przed przekazaniem ich do analizatorów składni. Jest zarówno wolniejszy, jak i podatny na błędy.
Jeśli spróbuję postępować zgodnie z pierwszą sugestią w dokumentach lxml, mój kod jest teraz:
from lxml.html import fromstring
from bs4 import UnicodeDammit
...
dammit = UnicodeDammit(raw_html)
doc = fromstring(dammit.unicode_markup)
title = doc.xpath('//title/text()')[0]
print title
Otrzymuję teraz następujące wyniki:
Unicode Chars: 은 —’
Unicode Chars: 은 —’
ValueError: Unicode strings with encoding declaration are not supported.
Próbka 1 działa teraz poprawnie, ale próbka 3 powoduje błąd z powodu<?xml version="1.0" encoding="utf-8"?> etykietka.
Czy istnieje właściwy sposób postępowania w przypadku wszystkich tych przypadków? Czy istnieje lepsze rozwiązanie niż poniższe?
dammit = UnicodeDammit(raw_html)
try:
doc = fromstring(dammit.unicode_markup)
except ValueError:
doc = fromstring(raw_html)