HTML-файл, который я загружаю, содержит некоторые символы, которые не поддерживаются кодировкой, указанной в заголовке HTML:
Я обнаружил, что следующие кодировки не поддерживаются кодировкой Shift_JIS, но фактически используются. Мой браузер может правильно отображать эти символы.
- ∑ n-арное суммирование U+2211
- ゚ Полуширинный полуголосый звуковой знак катакана U+FF9F
- Д кириллическая заглавная буква U+414
Когда я пытаюсь прочитать этот файл HTML и декодировать его для обработки, я получаю UnicodeDecodeError.
url = 'http://matsucon.net/material/dic/kao09.html'
response = urllib2.urlopen(url)
response.read().decode('shift_jis_2004')
Есть ли хороший способ обработать HTML-код с неправильно закодированными символами без получения ошибки?