Beautiful SoupをPython 3.6.2、IPython 6.1.0、Windows 10で使用してXML文書を読み込もうとしていますが、エンコード権ここでBeautiful SoupがPython 3、IPython 6コンソールでUTF-8エンコーディングを認識できない
UTF8エンコードにファイルとして保存された私のテストXML、だ：
import xml.etree.ElementTree as ET
def printXML(xml,indent=''):
print(indent+str(xml.tag)+': '+(xml.text if xml.text is not None else '').replace('\n',''))
if len(xml.attrib) > 0:
for k,v in xml.attrib.items():
print(indent+'\t'+k+' - '+v)
if xml.getchildren():
for child in xml.getchildren():
printXML(child,indent+'\t')
xml0 = ET.parse("test.xml").getroot()
printXML(xml0)
出力が正しい：
root:
info: ÜÜÜÜÜÜÜ
name - 愛よ
items:
item: "23Äßßß"
thing - ÖöÖö
<?xml version="1.0" encoding="UTF-8"?>
<root>
<info name="愛よ">ÜÜÜÜÜÜÜ</info>
<items>
<item thing="ÖöÖö">"23Äßßß"</item>
</items>
</root>
まずElementTreeのを使用してXMLをチェックします
美しいスープで同じファイルを読んで、それを美しく印刷してください：
import bs4
with open("test.xml") as ff:
xml = bs4.BeautifulSoup(ff,"html5lib")
print(xml.prettify())
出力：
<!--?xml version="1.0" encoding="UTF-8"?-->
<html>
<head>
</head>
<body>
<root>
<info name="愛よ">
ÜÜÜÜÜÜÜ
</info>
<items>
<item thing="ÖöÖö">
"23Äßßß"
</item>
</items>
</root>
</body>
</html>
これは単に間違っています。指定されたExpliciteエンコーディングで呼び出しを実行しても、結果は変わりません（bs4.BeautifulSoup(ff,"html5lib",from_encoding="UTF-8")）。
アウトドア
print(xml.original_encoding)
出力
None
とても美しいスープは、（++メモ帳に応じて）ファイルはUTF8でエンコードされていても、元の符号化を検出することが明らかにできず、ヘッダ情報がUTFを言います-8もあり、chardetがインストールされています。as the doc recommendsです。
ここをクリックしてください？これを引き起こす原因は何ですか？
EDIT： 私はhtml5libせずにコードを呼び出すと、私はこの警告を得る：私はbs4.BeautifulSoup(ff,"html.parser")を試してみましたが、問題が残っているコメントで示唆したように
：
UserWarning: No parser was explicitly specified, so I'm using the best available HTML parser for this system ("html5lib").
This usually isn't a problem, but if you run this code on another system, or in a different virtual environment,
it may use a different parser and behave differently.
The code that caused this warning is on line 241 of the file C:\Users\My.Name\AppData\Local\Continuum\Anaconda2\envs\Python3\lib\site-packages\spyder\utils\ipython\start_kernel.py.
To get rid of this warning, change code that looks like this:
BeautifulSoup(YOUR_MARKUP})
to this:
BeautifulSoup(YOUR_MARKUP, "html5lib")
markup_type=markup_type))
はEDIT 2。
次に、私はlxmlをインストールし、bs4.BeautifulSoup(ff,"lxml-xml")を試しましたが、それでも同じ出力です。また、奇数として私を打つ何
はbs4.BeautifulSoup(ff,"lxml-xml",from_encoding='UTF-8')のようにエンコーディングを指定する場合でも、xml.original_encodingの値がwritten in the doc何に反しNoneであるということです。
EDIT 3：
私は、文字列
xmlstring = "<?xml version=\"1.0\" encoding=\"UTF-8\"?><root><info name=\"愛よ\">ÜÜÜÜÜÜÜ</info><items><item thing=\"ÖöÖö\">\"23Äßßß\"</item></items></root>"
に私のXMLコンテンツを入れてbs4.BeautifulSoup(xmlstring,"lxml-xml")を使用し、今私は正しい出力を取得しています：
<?xml version="1.0" encoding="utf-8"?>
<root>
<info name="愛よ">
ÜÜÜÜÜÜÜ
</info>
<items>
<item thing="ÖöÖö">
"23Äßßß"
</item>
</items>
</root>
だから、何かを思わ結局のところファイルには間違っています。
なぜhtml5パーサーを使用してXMLファイルを処理しようとしていますか？ bs4出力の最初の行を見てください - これが原因で発生した問題を理解できますか？ – ekhumoro
これはHTML5ドキュメントではないため、おそらくデコードが期待どおりにできなかったのでしょう。 – glenfant
これを取得せずにコードを実行すると、 'UserWarning：パーサが明示的に指定されていないため、このシステムで最も利用可能なHTMLパーサ（" html5lib "）を使用しています。 ） – Khris