urllib2 读取到 Unicode

Question

我需要存储可以使用任何语言的网站内容。我需要能够在内容中搜索 Unicode 字符串。

我尝试过类似的事情：

import urllib2

req = urllib2.urlopen('http://lenta.ru')
content = req.read()

内容是字节流，因此我可以在其中搜索 Unicode 字符串。

我需要某种方式，当我这样做时 urlopen 然后读取并使用标头中的字符集来解码内容并将其编码为 UTF-8。

Answer 1

执行完操作后，您将看到：

>>> req.headers['content-type']
'text/html; charset=windows-1251'

所以：

>>> encoding=req.headers['content-type'].split('charset=')[-1]
>>> ucontent = unicode(content, encoding)

ucontent 现在是一个 Unicode 字符串（包含 140655 个字符）——例如，如果您的终端是 UTF-8，则显示它的一部分：

>>> print ucontent[76:110].encode('utf-8')
<title>Lenta.ru: Главное: </title>

你可以搜索等等。

编辑：Unicode I/O 通常很棘手（这可能是阻碍原始提问者的原因），但我将绕过将 Unicode 字符串输入到交互式 Python 解释器（与原始问题完全无关）的难题，以展示如何一次一个 Unicode 字符串是正确输入的（我是通过代码点来完成的——愚蠢但并不棘手；-），搜索绝对是理所当然的（因此希望原始问题已得到彻底解答）。再次假设 UTF-8 终端：

>>> x=u'\u0413\u043b\u0430\u0432\u043d\u043e\u0435'
>>> print x.encode('utf-8')
Главное
>>> x in ucontent
True
>>> ucontent.find(x)
93

笔记:请记住，此方法可能不适用于所有站点，因为某些站点仅在所提供的文档中指定字符编码（例如，使用 http-equiv 元标记）。

Answer 2

要解析Content-Type http标头，您可以使用cgi.parse_header功能：

import cgi
import urllib2

r = urllib2.urlopen('http://lenta.ru')
_, params = cgi.parse_header(r.headers.get('Content-Type', ''))
encoding = params.get('charset', 'utf-8')
unicode_text = r.read().decode(encoding)

另一种获取字符集的方法：

>>> import urllib2
>>> r = urllib2.urlopen('http://lenta.ru')
>>> r.headers.getparam('charset')
'utf-8'

或者在Python 3中：

>>> import urllib.request
>>> r = urllib.request.urlopen('http://lenta.ru')
>>> r.headers.get_content_charset()
'utf-8'

也可以在html文档中指定字符编码，例如<meta charset="utf-8">。