在python中抓取页面时保留非拉丁字符

Question

我有一个程序，可以抓取一个页面，解析其中的任何链接，然后下载链接到的页面（听起来像爬虫，但不是），并将每个页面保存在一个单独的文件中。用于保存的文件名是页面url的一部分。例如，如果我找到www.foobar.com/foo，我会下载页面并将其保存在一个名为foo.xml文件. 在

稍后，我需要遍历所有这些文件并重新下载它们，使用文件名作为url的最后一部分。（所有页面都来自一个站点。）

它工作得很好，直到我在url中遇到一个非拉丁字符。这个网站使用utf-8，所以当我下载原始页面并对其进行解码时，它可以正常工作。但是当我试图使用解码后的url来下载相应的页面时，它不起作用，因为，我认为，编码是错误的。我尝试过在文件名上使用.encode（）来更改它，但它没有更改任何内容。在

我知道这一定很简单，这是我没有正确理解编码问题的结果，但我已经为此绞尽脑汁很久了。我已经读了乔尔斯波尔斯基的编码介绍好几次，但我还是不太清楚该怎么做。有人能帮我吗？在

非常感谢， bsg公司

这里有一些代码。我没有发现任何错误；但是当我尝试使用页面名称作为url的一部分下载页面时，我被告知该页面不存在。当然没有——没有abc/x54这样的页面。在

澄清一下：我下载了一个页面的html，其中包含一个指向www.foobar.com/Mehmet例如，它显示为Mehmet_Kenanşar%C5%9Far。当我试图下载页面时www.foobar.com/Mehmet_Kenan_Dalba%C5%9Far，页面为空白。我怎么保持www.foobar.com/Mehmet凯南·达尔巴·阿尔在我需要的时候把它送回现场？在

try:
    params = urllib.urlencode({'title': 'Foo', 'action': 'submit'})
    req = urllib2.Request(url='foobar.com',data=params, headers=headers)
    f = urllib2.urlopen(req)

    encoding = f.headers.getparam('charset')

    temp = f.read() .decode(encoding)

    #lots of code to parse out the links

    for line in links:
    try:
        pagename = line
        pagename = pagename.replace('\n', '')
        print pagename

        newpagename = pagename.replace(':', '_')
        newpagename = newpagename.replace('/', '_')
        final = os.path.join(fullpath, newpagename)
        print final
        final = final.encode('utf-8')
        print final

         ##only download the page if it hasn't already been downloaded
        if not os.path.exists(final + ".xml"):
                print "doesn't exist"
                save = open(final + ".xml", 'w')
                save.write(f.read())
                save.close()

Answer 1

如果您有一个url，例如代码为'%C5'，并希望获得带有实际字符\xC5的url，请在该url上调用urllib.unquote()。在