如何在beautifulsoup中查看属性时使用标签

Question

我对beautifulsoup的编码不熟悉。

当我解决了一些页面，一些属性是中文，我想用这个中文属性来提取标签。

例如，一个HTML象下面这样：

<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' 所以我所做的就是：

img_urls = form_soup.findAll('a',title='查看大图') 

抓大放小：

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

与这个解决，我已经做了两个方法，都失败了： Ø NE的方法是：

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

另一种方式是：

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

Answer 1

你需要的Unicode传递到的findAll方法：

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

注意u unicode literal marker的称号值的前面。你需要specify an encoding on your source file这个工作（在coding评论在文件的顶部），或切换到Unicode转义代码代替：

img_urls = form_soup.findAll('a', title=u'\u67e5\u770b\u5927\u56fe') 

内部，BeautifulSoup使用Unicode，但你传递一个字节 - 带有非ASCII字符的字符串。 BeautifulSoup尝试将其解码为unicode，并且因为它不知道您使用的编码而失败。通过为它提供现成的unicode，您可以侧身解决问题。

工作例如：

>>> 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>] 

Answer 2

美丽的汤4.1.0 will automatically convert attribute values from UTF-8，解决了这个问题：