Как открыть html-файл?

Question

У меня есть html-файл с именем test.html у него есть одно слово בדיקה.

Я открываю test.html и распечатать его содержимое с помощью этого блока кода:

file = open("test.html", "r") 
print file.read() 

но печатает ??????, почему это произошло, и как я могу это исправить?

BTW. когда я открываю текстовый файл, он работает хорошо.

Edit: я попытался это:

>>> import codecs 
>>> f = codecs.open("test.html",'r') 
>>> print f.read() 
????? 

Answer 1

import codecs 
f=codecs.open("test.html", 'r') 
print f.read() 

Попробуйте что-то вроде этого.

Answer 2

Вы можете прочитать HTML-страницы с помощью 'URLLIB'.

#python 2.x 

    import urllib 

    page = urllib.urlopen("your path ").read() 
    print page 

Answer 3

Используйте параметр codecs.open с параметром кодирования.

import codecs 
f = codecs.open("test.html", 'r', 'utf-8') 

Answer 4

вы можете использовать следующий код:

from __future__ import division, unicode_literals 
import codecs 
from bs4 import BeautifulSoup 

f=codecs.open("test.html", 'r', 'utf-8') 
document= BeautifulSoup(f.read()).get_text() 
print document 

Если вы хотите удалить все пустые строки между ними и получить все слова в виде строки (также избегать специальных символов, цифр) затем также включают в себя:

import nltk 
from nltk.tokenize import word_tokenize 
docwords=word_tokenize(document) 
for line in docwords: 
    line = (line.rstrip()) 
    if line: 
     if re.match("^[A-Za-z]*$",line): 
      if (line not in stop and len(line)>1): 
       st=st+" "+line 
print st 

* определяют st как string первоначально, как st=""

Answer 5

вы можете использовать 'URLLIB' в Python3 же, как

https://stackoverflow.com/a/27243244/4815313 с некоторыми изменениями.

#python3 

    import urllib 

    page = urllib.request.urlopen("/path/").read() 
    print(page)