使用 BeautifulSoup 从 HTML 页面获取内容类型

Question

我正在尝试获取我抓取的页面的字符编码，但在某些情况下它会失败。这是我正在做的事情：

resp = urllib2.urlopen(request)
self.COOKIE_JAR.extract_cookies(resp, request)
content = resp.read()
encodeType= resp.headers.getparam('charset')
resp.close()

这是我的第一次尝试。但如果 charset 以 None 类型返回，我会这样做：

soup = BeautifulSoup(html)
if encodeType == None:
    try:
        encodeType = soup.findAll('meta', {'http-equiv':lambda v:v.lower()=='content-type'})
    except AttributeError, e:
        print e
        try:
            encodeType = soup.findAll('meta', {'charset':lambda v:v.lower() != None})
        except AttributeError, e:
            print e
            if encodeType == '':
                encodeType = 'iso-8859-1'

我正在测试的页面在标题中有这个： <meta charset="ISO-8859-1">

我希望第一个 try 语句返回一个空字符串，但是我在两个 try 语句上都得到了这个错误（这就是为什么现在第二个语句是嵌套的）：

'NoneType' 对象没有属性 'lower'

第二个 try 语句有什么问题？我猜第一个也是不正确的，因为它抛出了一个错误，而不仅仅是返回空白。

或者更好有没有更优雅的方法来从页面中删除任何特殊字符编码？我试图完成的最终结果是我不关心任何特殊编码的字符。我想删除编码字符并保留原始文本。我可以跳过以上所有内容并告诉 BeautifulSoup 只删除任何已编码的内容吗？

Answer 1

我决定选择 BeautifulSoup 吐出的任何东西。然后当我解析文档中的每个单词时，如果我不能将它转换为字符串，我就忽略它。

for word in doc.lower().split(): 
        try:
            word = str(word)
            word = self.handlePunctuation(word)
            if word == False:
                continue
        except UnicodeEncodeError, e:
            #word couldn't be converted to string; most likely encoding garbage we can toss anyways
            continue 

Answer 2

在尝试确定页面的字符编码时，我认为应该尝试的顺序是：

1. 通过元标记（例如<meta http-equiv="Content-Type" content="text/html; charset=utf-8">）从 HTML 页面本身确定
2. 通过 HTTP 标头确定编码（例如 Content-Type: text/html; charset=ISO-8859-1）
3. 最后，如果以上没有产生任何结果，您可以使用算法来确定页面的字符编码，使用其中的字节分布来确定页面的字符编码（请注意，不能保证找到正确的编码） .查看 chardet 库以了解此选项。