python 处理中文网页时，忽略特殊字符，忽略异常

http://hi.baidu.com/wen122056/blog/item/c92ecba97ea1c8ee1f17a262.html

中文网页大部分是gb2312编码的，在用python 处理时候最好转换成unicode的，怎么转换呢？

比如：

          html = open('http://www.baidu.com')

          这时html是字节流，咱应该转换成字符流，转换成unicode编码：

          html = html.decode('gb2312')

          html = html.decode('gb18030')

          这两个编码，最好用gb18030或者gbk，因为这两编码位数足够大，有时候这么转换了还会报错：'gb18030' codec can't decode bytes in position 10332-10333: illegal multibyte sequence

          这是应为在转编码的时候decode碰见了特殊字符，转换不了——尤其是在某些用C/C++编写的程序中，全角空格往往有多种不同的实现方式，比 如\xa3\xa0，或者\xa4\x57，这 些字符，看起来都是全角空格，但它们并不是“合法”的全角空格（真正的全角空格是\xa1\xa1），因此在转码的过程中出现了异常。

          那怎么解决呢？可以这样 html = html.decode('gb18030', 'ignore')在转编码时忽略错误

          特别注意：

                  在处理中文网页时候，当你用decode、encode时候，最好都加上'ignore'忽略特殊字符

 

s.decode('gbk', ‘ignore').encode('utf-8′) 
因为decode的函数原型是decode([encoding], [errors='strict'])，可以用第二个参数控制错误处理的策略，默认的参数就是strict，代表遇到非法字符时抛出异常； 
如果设置为ignore，则会忽略非法字符； 
如果设置为replace，则会用?取代非法字符； 
如果设置为xmlcharrefreplace，则使用XML的字符引用。