Python漂亮的汤编码

我对靓汤有意见。 我试图去掉字符串中的html标记，因此我有以下函数

def cleanHtml(self, html):
    try:
        soup = BeautifulSoup(html);
        content = soup.findAll(text=True)
        return ''.join(content);
    except:
        print html

当我现在这样做时：

print {'title' : string_with_german_umlauts}
print {'title' : self.cleanHtml(string_with_german_umlauts)}

我得到字符串“Leder Gürtel”（意思是皮带）的以下输出

对于umlaut'ü'，正确的编码当然是\xc3\xbc。 经过一整天的努力，我会放弃并要求；-）

谢谢你的帮助

---

Thx

结果中包含umlauts这一事实是预期行为。Beautiful Soup处理unicode，因此这是意料之中的。这里有什么问题？是不是你没有在字典里看到元音？如果是这样，那根本不是问题，因为打印时umlaut将正确可见：

>>> d = {'title': u'Leder G\xfcrtel'}
>>> for k in d:     
...     print k, d[k]
...
title Leder Gürtel

---

希望这能有所帮助

我不是mongoDB方面的专家，但您可能希望在您的问题中提到这一点，以便精通mongo的人了解这一点并帮助您解决问题。另外，你没有提到我在mongoDB中插入dict的实际问题是什么。这就是我看到奇怪行为的原因，例如端 字符（\u7aef）而不是'u'。谢谢。但是\u7aef是什么类型的编码？UTF-8是\xc3\xbc。不太确定\u7aef是什么。也许您正在其他地方操作字符串-这可能会导致对mongoyes的误解，我想这肯定是python=>pymongo的问题。Python本身正确地处理编码。在这种情况下，这有助于您：

'G\xc3\xbcrtel'

是字节字符串，

u'G\xfcrtel'

是码点字符串（“Unicode字符串”），相当于

u'G\u00fcrtel'

<代码>'G\xc3\xbcrtel'。解码（'UTF-8'）返回

u'G\u00fcrtel'

。在调试过程中，在每个步骤中考虑数据是否为字节或代码点的形式，并且当转换一个和另一个时，考虑使用什么编码。

>>> d = {'title': u'Leder G\xfcrtel'}
>>> for k in d:     
...     print k, d[k]
...
title Leder Gürtel