Python 2.7+BeautifulSoup爬取非ASCII字符：去除€或提取非ASCII字符

嘿，我来帮你搞定这个问题！在Python2.7的Windows环境里，处理非ASCII字符确实容易踩编码坑，我分两部分给你解决方案：

一、提取目标数字文本（移除欧元符号） #

这里有几种简单可靠的方法，你可以根据需求选择：

方法1：直接字符串替换（最直观） #

先把爬取到的字符串转成unicode类型（Python2里一定要注意区分str和unicode），然后替换掉欧元符号：

# 替换成你实际的BeautifulSoup提取代码
raw_text = item.find_all(...)[0].text  
# 假设网页编码是UTF-8，根据实际页面编码调整解码方式
unicode_text = raw_text.decode('utf-8')  
# 移除欧元符号和后面的空格，得到纯数字文本
cleaned_text = unicode_text.replace(u'€ ', u'')  

方法2：正则表达式提取数字部分 #

如果担心欧元符号的位置或格式有变化，用正则匹配数字和逗号更稳妥：

import re

raw_text = item.find_all(...)[0].text
unicode_text = raw_text.decode('utf-8')
# 匹配所有包含数字和逗号的片段，取第一个结果
cleaned_text = re.findall(r'[\d,]+', unicode_text)[0]

方法3：过滤允许的字符 #

只保留数字和逗号，自动排除其他符号：

raw_text = item.find_all(...)[0].text
unicode_text = raw_text.decode('utf-8')
# 筛选出数字和逗号字符
cleaned_text = ''.join(c for c in unicode_text if c.isdecimal() or c == ',')

二、解决Windows控制台打印非ASCII字符报错问题 #

Windows默认控制台编码是GBK，欧元符号不在GBK编码范围内，直接打印会报错，试试这几个方案：

方案1：编码转换时忽略/替换无法显示的字符 #

把unicode文本转成GBK编码，遇到无法编码的字符直接忽略或替换：

# 忽略无法编码的字符
print(cleaned_text.encode('gbk', 'ignore'))
# 把无法编码的字符替换成问号
print(cleaned_text.encode('gbk', 'replace'))

方案2：切换控制台编码为UTF-8 #

1. 先在CMD窗口执行命令：chcp 65001（设置控制台代码页为UTF-8）
2. 然后在Python代码里用UTF-8编码输出：

import sys
sys.stdout.write(cleaned_text.encode('utf-8') + '\n')

方案3：使用第三方库支持Unicode打印 #

安装win_unicode_console库，它能让Windows控制台直接支持Unicode输出：

1. 安装命令：pip install win_unicode_console
2. 代码开头导入并启用：

import win_unicode_console
win_unicode_console.enable()

# 之后直接打印unicode字符串就不会报错了
print(cleaned_text)

内容的提问来源于stack exchange，提问作者Stephinext