python - Unicode解码错误: 'utf8' codec can't decode byte 0xc3 in position 34: unexpected end of data

Question

我正在尝试编写一个 scraper ，但我遇到了编码问题。当我试图将要查找的字符串复制到我的文本文件中时，python2.7 告诉我它无法识别编码，尽管没有特殊字符。不知道这是否有用。

我的代码是这样的:

from urllib import FancyURLopener
import os

class MyOpener(FancyURLopener): #spoofs a real browser on Window
   version = 'Mozilla/5.0 (Windows; U; Windows NT 5.1; it; rv:1.8.1.11) Gecko/20071127 Firefox/2.0.0.11'

print "What is the webaddress?"
webaddress = raw_input("8::>")

print "Folder Name?"
foldername = raw_input("8::>")

if not os.path.exists(foldername):
    os.makedirs(foldername)

def urlpuller(start, page):
   while page[start]!= '"':
      start += 1
   close = start
   while page[close]!='"':
      close += 1
   return page[start:close]

myopener = MyOpener()

response = myopener.open(webaddress)
site = response.read()

nexturl = ''
counter = 0

while(nexturl!=webaddress):
   counter += 1
   start = 0
   
   for i in range(len(site)-35):
       if site[i:i+35].decode('utf-8') == u'<img id="imgSized" class="slideImg"':
         start = i + 40
         break
   else:
      print "Something's broken, chief. Error = 1"
   
   next = 0
   
   for i in range(start, 8, -1):
      if site[i:i+8] == u'<a href=':
         next = i
         break
   else:
      print "Something's broken, chief. Error = 2"
   
   nexturl = urlpuller(next, site)
   
   myopener.retrieve(urlpuller(start,site),foldername+'/'+foldername+str(counter)+'.jpg')

print("Retrieval of "+foldername+" completed.")

当我尝试使用我正在使用的网站运行它时，它返回错误:

Traceback (most recent call last):
  File "yada/yadayada/Python/scraper.py", line 37, in <module>
    if site[i:i+35].decode('utf-8') == u'<img id="imgSized" class="slideImg"':
  File "/usr/lib/python2.7/encodings/utf_8.py", line 16, in decode
    return codecs.utf_8_decode(input, errors, True)
UnicodeDecodeError: 'utf8' codec can't decode byte 0xc3 in position 34: unexpected end of data

当指向 http://google.com 时, 它工作得很好。

<meta http-equiv="Content-Type" content="text/html; charset=utf-8">

但是当我尝试使用 utf-8 解码时，如您所见，它不起作用。

有什么建议吗？

Answer 1

site[i:i+35].decode('utf-8')

您不能随机分割收到的字节，然后使用 UTF-8 对其进行解码。 UTF-8 是一种多字节编码，这意味着您可以使用 1 到 6 个字节的任意位置来表示一个字符。如果你把它切成两半，并要求 Python 对其进行解码，它会抛出 unexpected end of data 错误。

查看为您构建的工具。 BeautifulSoup或 lxml有两种选择。