我正在抓取本地 html 文档。但是，当我用漂亮的汤解析它时，它以无法解析的丑陋(如下图所示)格式返回 html。
我使用的简单代码是:
path = 'alerts/myfile.htm'
file = open(os.path.abspath(path))
parser = BeautifulSoup(file,'html.parser')
file.close()
这件事让我发疯。你遇到过同样的问题吗？ 谢谢
最佳答案
看起来原始文件是 UTF-16 格式的。
无论出于何种原因，BeautifulSoup(..., from_encoding='utf-16le') 无法理解这种情况，但您可以通过在传递之前手动读取和解码文件来解决此问题它到 BS。
请参阅下面的文字记录，其中我创建了一个 UTF-16LE 的 HTML 文件，转储其内容，尝试将其直接传递到 BS4，最后使用上述解决方法。
$ echo '<html><div>hello</div></html>' | iconv -f utf-8 -t utf-16le > y.html
$ file y.html
$ xxd y.html
00000000: 3c00 6800 7400 6d00 6c00 3e00 3c00 6400 <.h.t.m.l.>.<.d.
00000010: 6900 7600 3e00 6800 6500 6c00 6c00 6f00 i.v.>.h.e.l.l.o.
00000020: 3c00 2f00 6400 6900 7600 3e00 3c00 2f00 <./.d.i.v.>.<./.
00000030: 6800 7400 6d00 6c00 3e00 0a00 h.t.m.l.>...
$ python
>>> import bs4
>>> s = bs4.BeautifulSoup(open('y.html'))
<html><div>hello</div></html>
>>> s = bs4.BeautifulSoup(open('y.html'), from_encoding='utf-16le')
<html><div>hello</div></html>
>>> s = bs4.BeautifulSoup(open('y.html'), 'html.parser', from_encoding='utf-16le')
<html><div>hello</div></html>
>>> d = open('y.html', 'rb').read().decode('utf-16le')
>>> d
'<html><div>hello</div></html>\n'
>>> s = bs4.BeautifulSoup(d)
>>> s
<html><div>hello</div></html>
>>>
关于python - BeautifulSoup 在解析后返回间隔文本，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/54925083/