web-dev-qa-db-ja.com

htmlファイルをどうやって開くか？

test.htmlというhtmlファイルがあり、1つのWord בדיקהがあります。

Test.htmlを開き、次のコードブロックを使用してコンテンツを印刷します。

file = open("test.html", "r")
print file.read()

しかし、それは??????を出力します、なぜこれが起こったのですか、どうすれば修正できますか？

ところで。テキストファイルを開くと正常に動作します。

編集：私はこれを試してみました：

>>> import codecs
>>> f = codecs.open("test.html",'r')
>>> print f.read()
?????
pythonpython-2.7character-encoding
18
david
import codecs
f=codecs.open("test.html", 'r')
print f.read()

このようなものを試してください。

31
vks

「urllib」を使用してHTMLページを読むことができます。

 #python 2.x

  import urllib

  page = urllib.urlopen("your path ").read()
  print page
8
Benjamin

次のコードを使用できます。

from __future__ import division, unicode_literals 
import codecs
from bs4 import BeautifulSoup

f=codecs.open("test.html", 'r', 'utf-8')
document= BeautifulSoup(f.read()).get_text()
print document

間にあるすべての空白行を削除し、すべての単語を文字列として取得する場合（特殊文字、数字も避ける）、次も含めます。

import nltk
from nltk.tokenize import Word_tokenize
docwords=Word_tokenize(document)
for line in docwords:
    line = (line.rstrip())
    if line:
        if re.match("^[A-Za-z]*$",line):
            if (line not in stop and len(line)>1):
                st=st+" "+line
print st

* stを最初にstringとして定義します。st=""

5
Dibin Joseph

codecs.open をエンコードパラメーターと共に使用します。

import codecs
f = codecs.open("test.html", 'r', 'utf-8')
5
wenzul

今日もこの問題に遭遇しました。 Windowsを使用しており、システム言語はデフォルトで中国語です。したがって、誰かが同様にこのUnicodeエラーに遭遇する可能性があります。 encoding = 'utf-8'を追加するだけです：

with open("test.html", "r", encoding='utf-8') as f:
    text= f.read()
3
Chen Mier

コード：

import codecs

path="D:\\Users\\html\\abc.html" 
file=codecs.open(path,"rb")
file1=file.read()
file1=str(file1)
0
SHUBHAM SINGH