Je suis en train d'obtenir et d'analyser une page Web qui contient des caractères non-ASCII (l'URL est http://www.one.co.il). Voilà ce que j'ai:Comment obtenir une page Web avec les caractères unicode en python
url = "http://www.one.co.il"
req = urllib2.Request(url)
response = urllib2.urlopen(req)
encoding = response.headers.getparam('charset') # windows-1255
html = response.read() # The length of this is valid - about 31000-32000,
# but printing the first characters shows garbage -
# '\x1f\x8b\x08\x00\x00\x00\x00\x00', instead of
# '<!DOCTYPE'
html_decoded = html.decode(encoding)
La dernière ligne me donne une exception:
File "C:/Users/....\WebGetter.py", line 16, in get_page
html_decoded = html.decode(encoding)
File "C:\Python27\lib\encodings\cp1255.py", line 15, in decode
return codecs.charmap_decode(input,errors,decoding_table)
UnicodeDecodeError: 'charmap' codec can't decode byte 0xdb in position 14: character maps to <undefined>
J'ai essayé de regarder d'autres questions connexes telles que urllib2 read to Unicode et How to handle response encoding from urllib.request.urlopen(), mais n'a rien trouvé utile à ce sujet .
Quelqu'un peut-il s'il vous plaît faire la lumière et me guider dans ce sujet? Merci!
Y a-t-il d'autres « surprises » que je devrais rechercher dans les réponses? Y a-t-il un moyen d'obtenir de manière transparente une page incluant tout le post-traitement nécessaire, de sorte que je le vois comme dans la vue-source de Chrome? –
Je suis sûr que quelqu'un a géré cela. Regarde autour de toi. –