在文本文件上书写，重音符号和特殊字符显示不正确

Question

我正在做的是，我在一个网站上进行网络爬行，以供我个人使用，复制文本并将一本书的章节设置为文本格式，然后用另一个程序自动将其转换为pdf，将其放在我的云中。在出现这种情况之前，一切都很好：特殊字符没有正确复制，例如，文本文件上的重音显示为：\xe2\x80\x99，-显示为\xe2\x0\x93。我使用了这个（Python 3）：

    for text in soup.find_all('p'):
        texta = text.text
        f.write(str(str(texta).encode("utf-8")))
        f.write('n')

因为我在读取这些字符时遇到了一个错误，它刚刚停止了我的程序，所以我将所有内容编码到utf-8，并使用python的方法str（）将所有内容重新转换为字符串

如果有人能更好地解决我的问题，我会发布整个代码，这是将网站从第1页爬到最大页面的部分，你可以在第21行修改它，以获得本书的或多或少章节：

import requests
from bs4 import BeautifulSoup
def crawl_ATG(max_pages):
    page = 1
    while page <= max_pages:
        x= page
        url = 'http://www.wuxiaworld.com/atg-index/atg-chapter-' + str(x) + "/"
        source = requests.get(url)
        chapter = source.content
        soup = BeautifulSoup(chapter.decode('utf-8', 'ignore'), 'html.parser')
        f = open('atg_chapter' + str(x) + '.txt', 'w+')
        for text in soup.find_all('p'):
        texta = text.text
            f.write(str(str(texta).encode("utf-8")))
            f.write('n')
        f.close
        page +=1
    
crawl_ATG(10)

当我得到这个问题的解决方案时，我会清理第一个被复制的无用行。感谢

Answer 1

我发现的解决这个问题的最简单方法是在开放函数中添加encoding= "utf-8"：

with open('file.txt','w',encoding='utf-8') as file :
   file.write('ñoño')

Answer 2

由于某些原因，您（错误地）在Python3字符串中使用了utf8编码的数据。真正的原因可能是requests.content已经是一个unicode字符串，所以不应该对其进行解码，而是直接使用它：

    url = 'http://www.wuxiaworld.com/atg-index/atg-chapter-' + str(x) + "/"
    source = requests.get(url)
    chapter = source.content
    soup = BeautifulSoup(chapter, 'html.parser')

如果这还不够，那就意味着如果'和–（Unicode u'u2019'和u'u2013'）仍显示为xe2x80x99和xe2x80x93'，这可能是由于html页面没有正确声明其编码所致。在这种情况下，您应该首先使用latin1编码将其编码为字节字符串，然后将其解码为utf8:

chapter = source.content.encode('latin1', 'ignore').decode('utf8', 'ignore')
soup = BeautifulSoup(chapter, 'html.parser')

演示：

t = u'xe2x80x99 xe2x80x93'
t = t.encode('latin1').decode('utf8')

显示：u'u2019 u2013'

print(t)

显示：’ –

Answer 3

我能发现的唯一错误是

str(texta).encode("utf-8")

在它中，您正在强制转换为str并对其进行编码

texta.encode("utf-8")

编辑：

错误源于服务器没有为页面提供正确的编码。所以CCD_ 9假定为CCD_。正如这个bug中所指出的，这是一个深思熟虑的决定。

幸运的是，chardet库正确地检测到了'utf-8'编码，因此您可以执行以下操作：

source.encoding = source.apparent_encoding
chapter = source.text

并且不需要手动解码chapter中的文本，因为requests使用它来为您解码content。