如何在Python中将HTML非ASCII数据编码为UTF-8

我试着这么做，发现了以下错误：

>>> import re  
>>> x = 'Ingl\xeas'  
>>> x  
'Ingl\xeas'  
>>> print x  
Ingl�s  
>>> x.decode('utf8')  
Traceback (most recent call last):  
    File "<stdin>", line 1, in <module>  
    File "/usr/lib/python2.6/encodings/utf_8.py", line 16, in decode  
        return codecs.utf_8_decode(input, errors, True)  
UnicodeDecodeError: 'utf8' codec can't decode bytes in position 4-5: unexpected end of data  
>>> x.decode('utf8', 'ignore')  
u'Ingl'  
>>> x.decode('utf8', 'replace')  
u'Ingl\ufffd'  
>>> print x.decode('utf8', 'replace')  
Ingl�  
>>> print x.decode('utf8', 'xmlcharrefreplace')  
Traceback (most recent call last):  
    File "<stdin>", line 1, in <module>  
    File "/usr/lib/python2.6/encodings/utf_8.py", line 16, in decode  
        return codecs.utf_8_decode(input, errors, True)  
TypeError: don't know how to handle UnicodeDecodeError in error callback  

---

欢迎提供任何帮助。

在解码之前，您需要知道输入数据是如何编码的。在一些尝试中，您试图从UTF-8对其进行解码，但是Python抛出了一个异常，因为输入不是有效的UTF-8。看起来可能是拉丁语-1。这对我很有用：

>>> x = 'Ingl\xeas'
>>> print x.decode('latin1')
Inglês

您提到“非ASCII HTML”。如果您正在编写web服务器脚本，并且正在从HTTP请求获取数据，则应检查内容类型头。在理想情况下，它会告诉您客户机对数据使用的编码。请记住，客户机可能工作不正常

希望有帮助

Ingl\xeas

不是UTF-8，而是（可能）Windows-1252-或latin1编码。所以你首先需要解码它。只有这样，您才能将其编码为UTF-8

因此：

>>> x = 'Ingl\xeas'
>>> print x.decode("cp1252")
Inglês

同样地

 >>> x.decode("cp1252").encode("UTF-8")
 'Ingl\xc3\xaas'

这是正确的UTF-8表示形式

顺便说一下，在Python3中，您可以（至少在Windows下的交互式控制台中）简单地键入

>>> x = 'Ingl\xeas'
>>> print (x)
Inglês

由于Python 3字符串始终是Unicode字符串（不计算

字节

对象）。

一些观察结果：

（1）

latin1

将解码任何8位字节而不会引发异常。只有在用尽所有其他可能性后，才使用拉丁文1。用于帮助确定特定文件、网页或XML流的编码格式

（2） 基于非常有限的证据（一个字符）的可能备选方案：

（3） U+0080到U+009F（包括）的范围被分配给“C1控制字符”，unicode.org之外的人都不知道这些字符有什么用途。无论您使用什么编码（即使是UTF-8），在对unicode进行无一例外的解码之后，您还没有走出困境。检查该范围内的字符。如果发现任何错误，则表明数据已损坏，或者编码选择不正确

def check_for_c1_control_characters(unicode_obj):
    return any('\u0080' <= c <= '\u009F' for c in unicode_obj)

def check_查找控制字符（unicode_obj）：
返回任何（“\u0080”Python3有两种字符串类型，就像Python2.3的
str
是2的
unicode
做了一些小的修改。3的
bytes
是2的
str
做了一些小的修改。@Daniel:不在交互式shell中。对我来说是这样的。我想这取决于安装是如何设置的？我得到：unicode错误：“ascii”编解码器无法对位置4中的字符“\xea”进行编码：序号不在范围内（128）哦，这可能与本地环境有关。我在Windows上，因此交互式shell的编码为Windows-1252。在Linux下，它可能是UTF-8。将编辑我的帖子。
>>> import unicodedata as ucd
>>> for codepage in range(1250, 1259):
...    try:
...        uc = "\xea".decode(str(codepage))
...    except UnicodeDecodeError:
...        pass
...    if uc == u'\xea': print codepage, ucd.name(uc)
...
1252 LATIN SMALL LETTER E WITH CIRCUMFLEX
1254 LATIN SMALL LETTER E WITH CIRCUMFLEX
1256 LATIN SMALL LETTER E WITH CIRCUMFLEX
1258 LATIN SMALL LETTER E WITH CIRCUMFLEX
>>>

def check_for_c1_control_characters(unicode_obj):
    return any('\u0080' <= c <= '\u009F' for c in unicode_obj)