利用beautifulsoup和

Question

我正试图从jb hifi中提取间谍信息，以下是我所做的：

from BeautifulSoup import BeautifulSoup
import urllib2
import re



url="http://www.jbhifionline.com.au/support.aspx?post=1&results=10&source=all&bnSearch=Go!&q=ipod&submit=Go"

page=urllib2.urlopen(url)
soup = BeautifulSoup(page.read())
Item0=soup.findAll('td',{'class':'check_title'})[0]    
print (Item0.renderContents())

输出为：

Apple iPod Classic 160GB (Black) 
<span class="SKU">MC297ZP/A</span>

我想要的是：

Apple iPod Classic 160GB (Black)

我试着用re删除其他信息

 print(Item0.renderContents()).replace{^<span:,""} 

但没用

所以我的问题是如何删除无用的信息并获得“Apple ipod classic 160GB（黑色）”

Answer 1

不要使用.renderContents()；它充其量只是一个调试工具。你知道吗

只要有第一个孩子：

>>> Item0.contents[0]
u'Apple iPod Classic 160GB (Black)\xc2\xa0\r\n\t\t\t\t\t\t\t\t\t\t\t'
>>> Item0.contents[0].strip()
u'Apple iPod Classic 160GB (Black)\xc2'

BeautifulSoup似乎没有正确地猜出编码，因此不间断空格（U+00a0）以两个独立的字节而不是一个字节的形式出现。看来美女苏猜错了：

>>> soup.originalEncoding
'iso-8859-1'

您可以使用响应头强制编码；此服务器设置了字符集：

>>> page.info().getparam('charset')
'utf-8'
>>> page=urllib2.urlopen(url)
>>> soup = BeautifulSoup(page.read(), fromEncoding=page.info().getparam('charset'))
>>> Item0=soup.findAll('td',{'class':'check_title'})[0]
>>> Item0.contents[0].strip()
u'Apple iPod Classic 160GB (Black)'

fromEncoding参数告诉BeautifulSoup使用UTF-8而不是拉丁语1，现在正确地剥离了非中断空间。你知道吗