Python sys.stdin 抛出 UnicodeDecodeError

Question

我正在尝试使用 cURL 和 Python 的 BeautifulSoup 库编写一个（非常）基本的网络爬虫（因为这比 GNU awk 和一堆常规的混乱更容易理解表达式）。

目前，我正在尝试使用 cURL（即 curl http://www.example.com/ | ./parse-html.py）将网页内容通过管道传输到程序

出于某种原因，Python 由于起始字节无效而抛出 UnicodeDecodeError（我查看了 this answer and this answer 关于无效起始字节的内容，但没有弄清楚如何从他们那里解决问题）。

具体来说，我尝试使用第一个答案中的 a.encode('utf-8').split()。第二个答案只是简单地解释了问题（Python 发现了一个无效的起始字节），尽管它没有给出解决方案。

我尝试将 cURL 的输出重定向到一个文件（即 curl http://www.example.com/ > foobar.html 并修改程序以接受一个文件作为命令行参数，尽管这会导致相同的 UnicodeDecodeError .

我检查过，locale charmap 的输出是 UTF-8，据我所知，这意味着我的系统正在对 UTF-8 中的字符进行编码（这让我对此特别困惑 UnicodeDecodeError.

目前，导致错误的确切行是 html_doc = sys.stdin.readlines().encode('utf-8').strip()。我试过将其重写为 for 循环，但我遇到了同样的问题。

究竟是什么导致了 UnicodeDecodeError，我应该如何解决这个问题？

编辑： 通过将行 html_doc = sys.stdin.readlines().encode('utf-8').strip() 更改为 html_doc = sys.stdin 修复了问题

Answer 1

问题出在读取过程中，不是编码；输入资源根本不是用 UTF-8 编码的，而是另一种编码。在 UTF-8 shell 中，您可以使用

轻松重现问题

$ echo 2¥ | iconv -t iso8859-1 | python3 -c 'import sys;sys.stdin.readline()'
Traceback (most recent call last):
  File "<string>", line 1, in <module>
  File "/usr/lib/python3.5/codecs.py", line 321, in decode
    (result, consumed) = self._buffer_decode(data, self.errors, final)
UnicodeDecodeError: 'utf-8' codec can't decode byte 0xa5 in position 1: invalid start byte

您可以将文件（sys.stdin.buffer.read() 或 with open(..., 'rb') as f: f.read()）读取为二进制文件（您将获得 bytes object), examine it, and guess the encoding. The actual algorithm to do that is documented in the HTML standard.

然而，在许多情况下，编码并没有在文件本身中指定，而是通过 HTTP Content-Type header. Unfortunately, your invocation of curl does not capture this header. Instead of using curl and Python, you can simply use Python only - it already can download URLs. Stealing the encoding detection algorithm from youtube-dl，我们得到如下内容：

import re
import urllib.request


def guess_encoding(content_type, webpage_bytes):
    m = re.match(
        r'[a-zA-Z0-9_.-]+/[a-zA-Z0-9_.-]+\s*;\s*charset="?([a-zA-Z0-9_-]+)"?',
        content_type)
    if m:
        encoding = m.group(1)
    else:
        m = re.search(br'<meta[^>]+charset=[\'"]?([a-zA-Z0-9_-]+)[ /\'">]',
                      webpage_bytes[:1024])
        if m:
            encoding = m.group(1).decode('ascii')
        elif webpage_bytes.startswith(b'\xff\xfe'):
            encoding = 'utf-16'
        else:
            encoding = 'utf-8'

    return encoding


def download_html(url):
    with urllib.request.urlopen(url) as urlh:
        content = urlh.read()
        encoding = guess_encoding(urlh.getheader('Content-Type'), content)
        return content.decode(encoding)

print(download_html('https://phihag.de/2016/iso8859.php'))

还有一些库（虽然不在标准库中）开箱即用地支持这一点，即 requests。

我还建议您阅读 basics of what encodings are。

Python sys.stdin 抛出 UnicodeDecodeError

Python sys.stdin throws a UnicodeDecodeError

encoding

utf-8

sys

python-3.x