Scrapy XPath 选择器文本的 Unicode 和 UTF-8 编码问题

Question

我正在使用 Scrapy 和 Python（作为 Django 项目的一部分）来抓取包含德语内容的网站。我安装了libxml2 作为 Scrapy 选择器的后端。

如果我通过选择器提取单词'Hüftsitz'（这是它在网站上的显示方式），我得到：u'H\ufffd\ufffdftsitz'（Scrapy XPath 选择器返回 Unicode 字符串）。

如果我把它编码成UTF-8，我得到：'H\xef\xbf\xbd\xef\xbf\xbdftsitz'。如果我打印出来，我会得到'H??ftsitz'，这是不正确的。我想知道为什么会发生这种情况。

网站上的character-set 设置为UTF-8。我正在将sys.getdefaultencoding 设置为UTF-8 的Python shell 上测试上述内容。使用 Django 应用程序，其中来自 XPath 选择器的数据被写入具有 UTF-8 字符集的 MySQL 数据库，我看到了相同的行为。

我在这里忽略了一些明显的东西吗？任何线索或帮助将不胜感激。

Answer 1

u'\ufffd' 是"unicode replacement character"，通常打印为黑色三角形内的问号。不是 u 变音符号。所以问题一定出在上游的某个地方。检查返回的网页标题所说的编码，并验证它实际上是什么，它说的是什么。

插入 unicode 替换字符通常是为了替换非法或无法识别的字符，这可能是由多种原因引起的，但最有可能的是 编码不是它声称的那样。

Answer 2

非常感谢您的回答，约翰和史蒂文。你的回答让我有了不同的想法，这让我找到了问题的根源，也找到了一个可行的解决方案。

我正在使用以下测试代码：

import urllib
import urllib2
from scrapy.selector import HtmlXPathSelector
from scrapy.http import HtmlResponse

URL = "http://jackjones.bestsellershop.com/DE/jeans/clark-vintage-jos-217-sup/37246/37256"

url_handler = urllib2.build_opener()
urllib2.install_opener(url_handler)

handle = url_handler.open(URL)
response = handle.read()
handle.close()

html_response = HtmlResponse(URL).replace(body=response) # Problematic line
hxs = HtmlXPathSelector(html_response)

desc = hxs.select('//span[@id="attribute-content"]/text()')
desc_text = desc.extract()[0]
print desc_text
print desc_text.encode('utf-8')

在 Scrapy shell 中，当我提取描述数据时，结果很好。这让我有理由怀疑我的代码有问题，因为在 pdb 提示符下，我看到提取数据中的替换字符。

我浏览了 Response class 的 Scrapy 文档并将上面的代码调整为：

import urllib
import urllib2
from scrapy.selector import HtmlXPathSelector
from scrapy.http import HtmlResponse

URL = "http://jackjones.bestsellershop.com/DE/jeans/clark-vintage-jos-217-sup/37246/37256"

url_handler = urllib2.build_opener()
urllib2.install_opener(url_handler)

handle = url_handler.open(URL)
response = handle.read()
handle.close()

#html_response = HtmlResponse(URL).replace(body=response)
html_response = HtmlResponse(URL, body=response)
hxs = HtmlXPathSelector(html_response)

desc = hxs.select('//span[@id="attribute-content"]/text()')
desc_text = desc.extract()[0]
print desc_text
print desc_text.encode('utf-8')

我所做的更改是将html_response = HtmlResponse(URL).replace(body=response) 行替换为html_response = HtmlResponse(URL, body=response)。据我了解，replace() 方法从编码的角度以某种方式破坏了特殊字符。

如果有人想详细说明replace() 方法到底做错了什么，我将非常感谢您的努力。

再次感谢您。

Answer 3

U+FFFD 是您在执行some_bytes.decode('some-encoding', 'replace') 时得到的替换字符，some_bytes 的某些子字符串无法解码。

你有两个：u'H\ufffd\ufffdftsitz' ...这表明 u-umlaut 被表示为两个字节，每个字节都未能解码。最有可能的是，该站点以 UTF-8 编码，但软件正试图将其解码为 ASCII。尝试解码为 ASCII 通常发生在意外转换为 Unicode 时，并且使用 ASCII 作为默认编码。但是，在这种情况下，人们不会期望使用 'replace' arg。代码更有可能采用编码并且由认为“不引发异常”与“有效”含义相同的人编写。

编辑您的问题以提供 URL，并显示生成u'H\ufffd\ufffdftsitz' 的最小代码。