psf/requests-html

When requesting a page that is ISO-8859-1 encoded, HTML is still interpreted as UTF-8

Open

#442 geöffnet am 27. Jan. 2021

Auf GitHub ansehen
 (3 Kommentare) (0 Reaktionen) (0 zugewiesene Personen)Python (976 Forks)batch import
help wanted

Repository-Metriken

Stars
 (13.555 Stars)
PR-Merge-Metriken
 (Keine gemergten PRs in 30 T)

Beschreibung

When requesting a page that is ISO-8859-1 encoded:

>>> r = session.get('https://gerda.geus.dk/Gerda/Search')
>>> r.encoding
'ISO-8859-1'
>>> r.html.default_encoding
'ISO-8859-1'
>>> r.html.encoding
'utf8'
>>> r.html.find("option")[-1].text
'Bygge-anl�g'

Expected behavior:

>>> r.html.find("option")[-1].text
'Bygge-anlæg'

As far as I can see, there are two problems:

  • r.html.encoding is incorrectly set
  • r.html.element (The PyQuery instance) does not take encoding into account at all but just assumes utf-8

Contributor Guide

Research-Richtung
Das Problem identifiziert zwei spezifische Probleme: `r.html.encoding` ist falsch gesetzt, und die `PyQuery` Instanz berücksichtigt die Kodierung nicht. Beginnen Sie mit der Untersuchung der Datei `requests html.py`, um zu verstehen, wie die Attribute `encoding` und `default encoding` behandelt werden. Betrachten Sie den Konstruktor der `HTML` Klasse und wie er PyQuery initialisiert. Erwägen Sie, die Kodierungserkennung so zu ändern, dass die apparent encoding der Antwort verwendet wird, und stellen Sie sicher, dass PyQuery die korrekte Kodierung erhält. Prüfen Sie, ob es im Test Suite Tests zur Kodierung gibt, um die Korrektur zu leiten.
Tech Stack
pythonhtml
Domain
backend
Issue Type
Fehler
SchwierigkeitGeschätzte Implementierungsschwierigkeit für neue Contributors, von 1 für sehr kleine Änderungen bis 5 für Expertenarbeit.
3
Geschätzte ZeitEin grober Zeitrahmen, um zu recherchieren, zu implementieren, zu testen und einen Pull Request vorzubereiten.
1-3 Stunden
AktivitätsstatusWie verfügbar das Issue gerade wirkt: frisch, aktiv, stale, blockiert oder wartet auf Maintainer-Input.
Veraltet
KlarheitWie klar das Issue die erwartete Änderung, Akzeptanzkriterien und den nächsten Schritt erklärt.
Klar
Voraussetzungen
Python basicsHTML parsingCharacter encoding
EinsteigerfreundlichkeitEin Score von 1 bis 100, der schätzt, wie zugänglich dieses Issue für First-Time Contributors ist.
65