@Yolka_Palka

Почему не рабоет .decode('utf-8')?

Мой код возвращает часть правильно с одного сайта, а с другого не декодидует

AccuWeather:



Дощ і сніг

Rp_5:

1 °C

Почему?

import html

from urllib.request import urlopen, Request

ACCU_URL = 'https://www.accuweather.com/uk/ua/lviv/324561/weather-forecast/324561'
ACCU_TAGS = ('<span class="large-temp">' , '<span class="cond">')

RP5_URL = 'http://rp5.ua/%D0%9F%D0%BE%D0%B3%D0%BE%D0%B4%D0%B0_%D1%83_%D0%9B%D1%8C%D0%B2%D0%BE%D0%B2%D1%96,_%D0%9B%D1%8C%D0%B2%D1%96%D0%B2%D1%81%D1%8C%D0%BA%D0%B0_%D0%BE%D0%B1%D0%BB%D0%B0%D1%81%D1%82%D1%8C'
#WINFO_CONTAINER_TAG = '<div id="ArchTemp">'
#RP5_TAGS = '<span class="t_0" style="display: block;">'

RP5_TAGS = ('<div id="ArchTemp">',
            '<span class="t_0" style="display: block;">')

def get_request_headers ():
    return {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv: 61.0)'}


def get_page_source ( url ):
    request = Request ( url , headers=get_request_headers ( ) )
    page_source = urlopen( request ).read( )
    return page_source.decode ( 'utf-8' )


def get_tag_content ( page_content , tag ):
    tag_index = page_content.find ( tag )
    tag_size = len ( tag )
    value_start = tag_index + tag_size

    content = ''
    for c in page_content[ value_start: ]:  # type: object
        if c != '<':
            content += c
        else:
            break
    return content


def get_weather_info ( page_content , tags ):
    return tuple ( [ get_tag_content ( page_content , tag ) for tag in tags ] )


def produce_output ( provider_name , temp , condition ):
    print (f'{provider_name}: \n' )
    print (f'{html.unescape(temp)} \n' )
    print (f'{(condition)} \n' )


def main ():
    weather_sites = {"AccuWeather": (ACCU_URL , ACCU_TAGS),
                     "Rp_5": (RP5_URL , RP5_TAGS)
                    }
    for name in weather_sites:
        url , tags = weather_sites[ name ]
        content = get_page_source ( url)
        temp , condition = get_weather_info ( content , tags )
        produce_output ( name , temp , condition )


if __name__ == '__main__':
    main ( )
  • Вопрос задан
  • 79 просмотров
Пригласить эксперта
Ответы на вопрос 1
antoo
@antoo
К .decode('utf-8') это отношение не имеет, т.к. &deg;, который вы видите, это результат кодирования символа в HTML-entities, а не в кодировку документа.

Для того, чтобы заменить символы HTML-entities в обычные, существует функция html.unescape(), которую вы применяете к переменной temp в produce_output().

Проблема в том, что у вас не совсем корректно отрабатывает парсер, и температура попадает не в переменную temp, а в переменную condition, которая при выводе в html.unescape() не обёрнута.
Нужно либо поправить парсер, либо при выводе так же обернуть значение condition.

P.S: Парсить HTML тем способом, что у вас - довольно ненадёжно, советую почитать про современные технологии парсинга.
Ответ написан
Ваш ответ на вопрос

Войдите, чтобы написать ответ

Войти через центр авторизации
Похожие вопросы