BeautifulSoup返回意外的额外空间

Question

我正在尝试使用BeautifulSoup从html文档中获取一些文本。在我看来，这很奇怪，它产生了一个奇怪而有趣的结果：在某一点之后，汤在文本中充满了多余的空格（空格将每个字母与下一个字母分隔开）。我试图在网络上搜索以找到原因，但是我只遇到了有关相反错误的一些消息（根本没有空格）。

您对它为什么会发生以及如何解决此问题有任何建议或提示吗？

这是我创建的非常基本的代码：

from bs4 import BeautifulSoup

import urllib2
html = urllib2.urlopen("http://www.beppegrillo.it")
prova = html.read()
soup = BeautifulSoup(prova)
print soup

这是从结果中提取的一行，此问题开始出现的行：

value = \“ Giuseppe labbate ogm？non vorremmo nuovi uccelli chiamati lontre
\”> <input onmouseover = \“ Tip（’<< cen terclass = \ 'title _ video \ '>
G iuseppelabbateogm？nonvorremmonuoviuccel lichiamatilontre <

Answer 1

我相信这是Lxml的HTML解析器的错误。尝试：

from bs4 import BeautifulSoup

import urllib2
html = urllib2.urlopen ("http://www.beppegrillo.it")
prova = html.read()
soup = BeautifulSoup(prova.replace('ISO-8859-1', 'utf-8'))
print soup

这是解决该问题的方法。我相信该问题已在lxml 3.0 alpha 2和lxml 2.3.6中修复，因此值得检查是否需要升级到较新版本。

如果您想了解有关该错误的更多信息，请先在此处提交：

https://bugs.launchpad.net/beautifulsoup/+bug/972466

希望这可以帮助，