Python 如何避免JSON百分比编码和\u转义？_Python_Json_Unicode_Scrapy

Python 如何避免JSON百分比编码和\u转义？

python json unicode scrapy

Python 如何避免JSON百分比编码和\u转义？,python,json,unicode,scrapy,Python,Json,Unicode,Scrapy,当我解析文件时 <html> <head><meta charset="UTF-8"></head> <body><a href="Düsseldorf.html">Düsseldorf</a></body> </html> 我以\u转义结束 [{ "name": "D\u00fcsseldorf", "url": "D\u00fcsseldorf.htm

当我解析文件时

<html>
    <head><meta charset="UTF-8"></head>
    <body><a href="Düsseldorf.html">Düsseldorf</a></body>
</html>

我以

\u

转义结束

[{
    "name": "D\u00fcsseldorf",
    "url": "D\u00fcsseldorf.html"
}]

或使用百分比编码字符串

D%C3%BCsseldorf

描述的

以及相应的提要导出器设置

FEED_EXPORTERS = {
    'json': 'myproj.exporter.UnicodeJsonLinesItemExporter',
}

不要帮忙

如何获得utf-8编码的JSON输出

我在重申/扩展一个新的目标

更新：

与刮屑正交，注意无需设置

export PYTHONIOENCODING="utf_8"

运行

> echo { \"name\": \"Düsseldorf\", \"url\": \"Düsseldorf.html\" } > dorf.json
> python -c'import fileinput, json;print json.dumps(json.loads("".join(fileinput.input())),sort_keys=True, indent=4, ensure_ascii=False)' dorf.json > dorf_pp.json

将以失败告终

Traceback (most recent call last):
  File "<string>", line 1, in <module>
UnicodeEncodeError: 'ascii' codec can't encode character u'\xfc' in position 16: ordinal not in range(128)

回溯（最近一次呼叫最后一次）：
文件“”，第1行，在
UnicodeEncodeError:“ascii”编解码器无法对位置16中的字符u'\xfc'进行编码：序号不在范围内（128）

更新

我的问题无法回答。UnicodeJsonLinesItemExporter可以工作，但管道的另一部分是罪魁祸首：作为漂亮打印JSON输出的后处理，我使用了

python-mjson.tool in.JSON>out.JSON

这似乎对我来说很有效

>>> a = [{
    "name": "D\u00fcsseldorf",
    "url": "D\u00fcsseldorf.html"
}]
>>> a
[{'url': 'Düsseldorf.html', 'name': 'Düsseldorf'}]
>>> json.dumps(a, ensure_ascii=False)
'[{"url": "Düsseldorf.html", "name": "Düsseldorf"}]'

# -*- coding: utf-8 -*-
import scrapy
import urllib

class SimpleItem(scrapy.Item):
    name = scrapy.Field()
    url = scrapy.Field()

class CitiesSpider(scrapy.Spider):
    name = "cities"
    allowed_domains = ["sitercity.info"]
    start_urls = (
        'http://en.sistercity.info/countries/de.html',
    )

    def parse(self, response):
        for a in response.css('a'):
            item = SimpleItem()
            item['name'] = a.css('::text').extract_first()
            item['url'] = urllib.unquote(
                a.css('::attr(href)').extract_first().encode('ascii')
                ).decode('utf8')
            yield item

使用您问题中引用的提要导出器，它也可以使用另一个存储

# -*- coding: utf-8 -*-
import json
import io
import os
from scrapy.contrib.exporter import BaseItemExporter
from w3lib.url import file_uri_to_path

class CustomFileFeedStorage(object):

    def __init__(self, uri):
        self.path = file_uri_to_path(uri)

    def open(self, spider):
        dirname = os.path.dirname(self.path)
        if dirname and not os.path.exists(dirname):
            os.makedirs(dirname)
        return io.open(self.path, mode='ab')

    def store(self, file):
        file.close()

class UnicodeJsonLinesItemExporter(BaseItemExporter):

    def __init__(self, file, **kwargs):
        self._configure(kwargs)
        self.file = file
        self.encoder = json.JSONEncoder(ensure_ascii=False, **kwargs)

    def export_item(self, item):
        itemdict = dict(self._get_serialized_fields(item))
        self.file.write(self.encoder.encode(itemdict) + '\n')

（必要时删除注释）

这似乎对我有用

# -*- coding: utf-8 -*-
import scrapy
import urllib

class SimpleItem(scrapy.Item):
    name = scrapy.Field()
    url = scrapy.Field()

class CitiesSpider(scrapy.Spider):
    name = "cities"
    allowed_domains = ["sitercity.info"]
    start_urls = (
        'http://en.sistercity.info/countries/de.html',
    )

    def parse(self, response):
        for a in response.css('a'):
            item = SimpleItem()
            item['name'] = a.css('::text').extract_first()
            item['url'] = urllib.unquote(
                a.css('::attr(href)').extract_first().encode('ascii')
                ).decode('utf8')
            yield item

使用您问题中引用的提要导出器，它也可以使用另一个存储

# -*- coding: utf-8 -*-
import json
import io
import os
from scrapy.contrib.exporter import BaseItemExporter
from w3lib.url import file_uri_to_path

class CustomFileFeedStorage(object):

    def __init__(self, uri):
        self.path = file_uri_to_path(uri)

    def open(self, spider):
        dirname = os.path.dirname(self.path)
        if dirname and not os.path.exists(dirname):
            os.makedirs(dirname)
        return io.open(self.path, mode='ab')

    def store(self, file):
        file.close()

class UnicodeJsonLinesItemExporter(BaseItemExporter):

    def __init__(self, file, **kwargs):
        self._configure(kwargs)
        self.file = file
        self.encoder = json.JSONEncoder(ensure_ascii=False, **kwargs)

    def export_item(self, item):
        itemdict = dict(self._get_serialized_fields(item))
        self.file.write(self.encoder.encode(itemdict) + '\n')

（必要时删除注释）

这似乎确实是一种方式，正如你在问题中看到的那样，它已经被纳入到物品出口商中。为什么输出仍然是U编码和百分比编码字符串的混合？我会考虑包括<代码> URLLIB。PARSE。你能举一个例子，其中既有\u编码的字符串，也有百分比编码的字符串吗？我已经尝试在项目导出器的

export\u item

中使用

urlib.parse.unquote

。这个框架的问题是有太多的代码层和钩子，所以不清楚如何获得一些简单的工作。这似乎确实是一种方式，并且它已经包含在项目导出器中，正如您在问题中看到的。为什么输出仍然是U编码和百分比编码字符串的混合？我会考虑包括<代码> URLLIB。PARSE。你能举一个例子，其中既有\u编码的字符串，也有百分比编码的字符串吗？我已经尝试在项目导出器的

export\u item

中使用

urlib.parse.unquote

。这个框架的问题在于有太多的代码层和钩子，所以不清楚如何获得一些简单的工作方式。Scrapy 1.2（尚未发布）将有一个

FEED\u EXPORT\u ENCODING

设置选项：请参阅。同时，您可以使用Scrapy的主分支。还有一个实现：Scrapy 1.2（尚未发布）将有一个

FEED\u EXPORT\u ENCODING

设置选项来执行以下操作：请参阅。同时，您可以使用scrapyThere的主分支也有这样的实现：行

a.css（'：：attr（href））.extract_first（）.encode（'ascii'）

（第一个解决方案）给出了

UnicodeCodeerror:'ascii'编解码器无法对位置1的字符u'\xfc'进行编码：序号不在范围内（128）

。自定义提要

CustomFileFeedStorage

不会出现在

feed\u STORAGES

挂钩中。你把它挂起来了吗？是的，请删除注释部分，你能添加一个示例url来复制你的错误吗？为了最大程度地再现性，我正在使用一个本地文件（我通过

file:///path/to/file.html

）。我就是这样开始提问的。现在，这一切都很好，尽管在使用envvar设置时遇到了困难（

PYTHONIOENCODING

，

LC\u ALL

，

LANG

似乎需要使用默认设置以外的设置）。当我使用

http://domain

URL，几乎相同的文件集失败。有些神秘的东西潜伏着。这就好像整个可用的工具链（在最近的OS X/MacPorts安装上）被不支持unicode的部分污染了一样。好笑。。我只是跳过了代码中注释掉的行。现在我明白了为什么要保留

CustomFileFeedStorage

的代码了。行

a.css（'::attr（href）'）.extract_first（）.encode（'ascii'）

（第一种解决方案）给我提供了

UnicodeEncodeError:'ascii'编解码器无法在位置1对字符u'\xfc'进行编码：序号不在范围内（128）

。自定义提要

CustomFileFeedStorage

不会出现在

feed\u STORAGES

file:///path/to/file.html

）。我就是这样开始提问的。现在，这一切都很好，尽管在使用envvar设置时遇到了困难（

PYTHONIOENCODING

，

LC\u ALL

，

LANG

似乎需要使用默认设置以外的设置）。当我使用

http://domain

URL，几乎相同的文件集失败。有些神秘的东西潜伏着。这就好像整个可用的工具链（在最近的OS X/MacPorts安装上）被不支持unicode的部分污染了一样。好笑。。我只是跳过了代码中注释掉的行。现在我明白你为什么保留

CustomFileFeedStorage

的代码了。

FEED_EXPORTERS = {
    'json': 'myproj.exporter.UnicodeJsonLinesItemExporter'
}
#FEED_STORAGES = {
#   '': 'myproj.exporter.CustomFileFeedStorage'
#}
FEED_FORMAT = 'json'
FEED_URI = "out.json"