读取编码 utf-8 网页出现问题 [Non-BMP character not supported in Tk]

环境：python版本3.4，IDE是自带的那个

一般来说编码问题的话，多试几个办法总能解决，但是这个怎么也读不出来。该网页响应头返回的是 charset=

code:
page = resp.read().decode('utf-8' )
print(page)

这样写的话用utf-8解不出来，换成其他的也解不出来。
如果在后面加上一句ignore的话，其他编码方式能解的出来了，但是出现乱码，而utf-8仍然解不出来，并且错误由第一行转移到了第二行，出现错误代码 [UnicodeEncodeError: 'UCS-2' codec can't encode characters in position 2528-2528: Non-BMP character not supported in Tk] ，由此可以推断使用utf-8是没错的。但是这个错误代码的解决方法找了半天也没找到。

有人知道怎么解决吗

utf

编码

读取

5 条回复 2015-04-03 00:56:04 +08:00

aaaa007cn

2015-04-01 08:08:47 +08:00

错误提示已经讲得很清楚了
Non-BMP character not supported in Tk
Tk 不支持 Non-BMP（非基本多文种平面）字符
而 IDLE 正是基于 Tcl/Tk 的

关于 Non-BMP 可以参考 wikipedia
https://en.wikipedia.org/wiki/Plane_%28Unicode%29

另外
问题是出在 print(page)，而不是之前的 decode
显式 encode 吧
print(page.encode('utf-8'))

soratadori

2015-04-01 21:05:39 +08:00

@aaaa007cn 后面再加上 .encode('utf-8')) 我也试过，但是出来的结果是:

b'\x1f\x08\x00\x00\x00\x00\x00\x00\x03Y[\xdb\xb6\x0e~N~\x05Vv:=6M:uShkJTD\xca\xbb>\x00\xc8\x92,Yn \x0f\x04\t\x10F

aaaa007cn

2015-04-01 21:21:26 +08:00

请贴出网页地址先

soratadori

2015-04-02 02:36:04 +08:00

@aaaa007cn anidb.net，这个网站有反机器人的措施，请把请求头传送完整，不然有可能会被ban

aaaa007cn

2015-04-03 00:56:04 +08:00

服务器返回的是 gzip 压缩过的内容
即使请求中没有设定 Accept-Encoding 头

>>> import urllib.request
>>> r = urllib.request.urlopen('http://anidb.net/perl-bin/animedb.pl?show=main')
>>> r.getheader('Content-Encoding')
'gzip'

所以需要自行 gzip，如果你用 urllib 的话
>>> import gzip
>>> data = r.read()
>>> gzip.decompress(data)
b'<!DOCTYPE html>\n<html...

再次进行 decode 就可以得到 unicode 字符串
>>> gzip.decompress(data).decode('utf-8')
'<!DOCTYPE html>\n<html...

或者使用 requests
它会检查相关的 http 头然后自动解压并尝试自动解码
>>> import requests
>>> r = requests.get('http://anidb.net/perl-bin/animedb.pl?show=main')
>>> r.text
'<!DOCTYPE html>\n<html...