如何用BeautifulSoup将UTF-8编码的HTML正确解析为Unicode字符串？

Question

我正在运行一个Python程序，它获取一个UTF-8编码的web页面，并使用BeautifulSoup从HTML中提取一些文本。

但是，当我将此文本写入文件（或在控制台上打印）时，它将以意外的编码方式写入。

示例程序：

import urllib2
from BeautifulSoup import BeautifulSoup

# Fetch URL
url = 'http://www.voxnow.de/'
request = urllib2.Request(url)
request.add_header('Accept-Encoding', 'utf-8')

# Response has UTF-8 charset header,
# and HTML body which is UTF-8 encoded
response = urllib2.urlopen(request)

# Parse with BeautifulSoup
soup = BeautifulSoup(response)

# Print title attribute of a <div> which uses umlauts (e.g. können)
print repr(soup.find('div', id='navbutton_account')['title'])

运行此命令将得到以下结果：

# u'Hier k\u0102\u015bnnen Sie sich kostenlos registrieren und / oder einloggen!'

但我希望Python Unicode字符串将单词können中的ö呈现为^{}：

# u'Hier k\xf6bnnen Sie sich kostenlos registrieren und / oder einloggen!'

我已经尝试过将'fromnoding'参数传递给BeautifulSoup，并尝试read()和decode()对象，但它要么没有区别，要么抛出错误。

使用命令curl www.voxnow.de | hexdump -C，我可以看到网页确实是UTF-8编码的（即，它包含0xc3 0xb6），用于ö字符：

      20 74 69 74 6c 65 3d 22  48 69 65 72 20 6b c3 b6  | title="Hier k..|
      6e 6e 65 6e 20 53 69 65  20 73 69 63 68 20 6b 6f  |nnen Sie sich ko|
      73 74 65 6e 6c 6f 73 20  72 65 67 69 73 74 72 69  |stenlos registri|

我已经超出了Python能力的限制，所以对于如何进一步调试它，我不知所措。有什么建议吗？

Answer 1

正如justhalf在上面指出的，我的问题本质上是this question的一个副本。

HTML内容报告自己是UTF-8编码的，在大多数情况下，它是，除了一个或两个恶意的无效UTF-8字符。

这显然混淆了BeautifulSoup使用的是哪种编码，以及当试图在将内容传递给BeautifulSoup时首先解码为UTF-8时 这：

soup = BeautifulSoup(response.read().decode('utf-8'))

我会得到错误：

UnicodeDecodeError: 'utf8' codec can't decode bytes in position 186812-186813: 
                    invalid continuation byte

更仔细地查看输出，有一个字符Ü的实例被错误地编码为无效字节序列0xe3 0x9c，而不是正确的^{}。

正如目前关于这个问题的highest-rated answer所表明的，在解析时可以删除无效的UTF-8字符，这样只有有效的数据才能传递给BeautifulSoup：

soup = BeautifulSoup(response.read().decode('utf-8', 'ignore'))

Answer 2

将结果编码为utf-8似乎对我有效：

print (soup.find('div', id='navbutton_account')['title']).encode('utf-8')

它产生：

Hier können Sie sich kostenlos registrieren und / oder einloggen!