如何使用 BeautifulSoup 正确解析 UTF-8 编码的 HTML 为 Unicode 字符串？ [复制]

我正在运行一个 Python 程序，该程序获取 UTF-8 编码的网页，并使用 BeautifulSoup 从 HTML 中提取一些文本。

但是，当我将此文本写入文件（或在控制台上打印）时，它会以意外的编码写入。

示例程序：

import urllib2
from BeautifulSoup import BeautifulSoup

# Fetch URL
url = 'http://www.voxnow.de/'
request = urllib2.Request(url)
request.add_header('Accept-Encoding', 'utf-8')

# Response has UTF-8 charset header,
# and HTML body which is UTF-8 encoded
response = urllib2.urlopen(request)

# Parse with BeautifulSoup
soup = BeautifulSoup(response)

# Print title attribute of a <div> which uses umlauts (e.g. können)
print repr(soup.find('div', id='navbutton_account')['title'])

运行此命令给出结果：

# u'Hier k\u0102\u015bnnen Sie sich kostenlos registrieren und / oder einloggen!'

但我希望渲染一个 Python Unicode 字符串ö在这个词中können as \xf6:

# u'Hier k\xf6bnnen Sie sich kostenlos registrieren und / oder einloggen!'

我尝试将“fromEncoding”参数传递给 BeautifulSoup，并尝试read() and decode() the response对象，但它要么没有什么区别，要么抛出错误。

通过命令curl www.voxnow.de | hexdump -C，我可以看到该网页确实是UTF-8编码的（即它包含0xc3 0xb6） 为了ö特点：

      20 74 69 74 6c 65 3d 22  48 69 65 72 20 6b c3 b6  | title="Hier k..|
      6e 6e 65 6e 20 53 69 65  20 73 69 63 68 20 6b 6f  |nnen Sie sich ko|
      73 74 65 6e 6c 6f 73 20  72 65 67 69 73 74 72 69  |stenlos registri|

我超出了我的Python能力的限制，所以我不知道如何进一步调试它。有什么建议吗？

正如 justhalf 上面指出的，我的问题本质上是重复的这个问题.

HTML 内容将自身报告为 UTF-8 编码，并且除了一两个恶意无效 UTF-8 字符外，大部分内容都是如此。

这显然让 BeautifulSoup 混淆了正在使用的编码，以及在将内容传递给 BeautifulSoup 时尝试首先解码为 UTF-8 时 这：

soup = BeautifulSoup(response.read().decode('utf-8'))

我会得到错误：

UnicodeDecodeError: 'utf8' codec can't decode bytes in position 186812-186813: 
                    invalid continuation byte

更仔细地观察输出，有一个角色的实例Ü它被错误地编码为无效字节序列0xe3 0x9c，而不是正确的0xc3 0x9c.

作为目前评分最高的答案关于这个问题表明，可以在解析时删除无效的 UTF-8 字符，以便仅将有效数据传递给 BeautifulSoup：

soup = BeautifulSoup(response.read().decode('utf-8', 'ignore'))