如何在beauthulsoup中获取属性为中文的标签

Question

我对beautifulsoup的编码不熟悉。在

当我处理一些页面时，有些属性是中文的，我想用这个中文属性来提取标签。在

例如，如下所示的html：

<P class=img_s>
<A href="/pic/93/b67793.jpg" target="_blank" title="查看大图">
<IMG src="/pic/93/s67793.jpg">
</A>
</P>

我想提取'/pic/93/b67793.jpg' 所以我所做的是：

^{pr2}$

然后遇到：

UnicodeDecodeError: 'ascii' codec can't decode byte 0xb2 in position 0: ordinalnot in range(128)

为了解决这个问题，我采用了两种方法，但都失败了： 一种方法是：

import sys
reload(sys)
sys.setdefaultencoding("utf-8")

另一种方法是：

response = unicode(response, 'gb2312','ignore').encode('utf-8','ignore') 

Answer 1

要在方法中传递unicode:

# -*- coding: utf-8
... 
img_urls = form_soup.findAll('a', title=u'查看大图')

注意标题值前面的^{} unicode literal marker。您确实需要specify an encoding on your source file才能使其工作（文件顶部的coding注释），或者改为使用unicode转义码：

^{pr2}$

在内部，beauthulsoup使用unicode，但是您将传递给它一个包含非ascii字符的字节字符串。beauthulsoup试图为您解码为unicode，但失败了，因为它不知道您使用了什么编码。通过为它提供现成的unicode，您可以回避这个问题。在

工作示例：

>>> from BeautifulSoup import BeautifulSoup
>>> example = u'<P class=img_s>\n<A href="/pic/93/b67793.jpg" target="_blank" title="<A href="/pic/93/b67793.jpg" target="_blank" title="\u67e5\u770b\u5927\u56fe"><IMG src="/pic/93/s67793.jpg"></A></P>'
>>> soup = BeautifulSoup(example)
>>> soup.findAll('a', title=u'\u67e5\u770b\u5927\u56fe')
[<a href="/pic/93/b67793.jpg" target="_blank" title="查看大图"><img src="/pic/93/s67793.jpg" /></a>]