[問題] 如何抓取HTML字串

[Andy58974 (奧蘭多布魯)]

小弟第一次使用python抓取網頁資料

我的HTML檔是這樣的:
{{datas.0}}&nbsp{{datas.1}}&nbsp{{datas.2}}<br>
 C1I230(0)         你好(1)            0(2)    (&nbsp是空白)
 466940(0)         我好(1)            0(2)    (<br>是換行)
網頁上顯示是:
C1I230 你好 0
466940 我好 0

我在python裡面使用:
urltmp = urllib.urlopen("http://localhost:8080/test")
urluse = urltmp.readlines()
for i in urluse:
    print i

我不知道方法是否正確(Google來的)

我得到的東西是:
C1I230&nbsp你好&nbsp0<br>

466940&nbsp我好&nbsp0<br>
(都會多一行空白)

我檢查了一下type是string
於是我使用i.split()就發生悲劇了...(split('&nbsp')也是一樣...)
['\xef\xbb\xbfC1I230', '\xe4\xb9\x9d\xe4\xbb\xbd\xe4\', '0<br>\n']

請問這是編碼的問題嗎???
中間那行空白也會被影響嗎???
我要怎麼拿到兩個list---->['C1I230','你好','0'],['466940','我好','0']

懇請各位大大傳授...

--
※ 發信站: 批踢踢實業坊(ptt.cc) 
◆ From: 114.33.86.65
→ buganini:.decode('utf-8') 或big5 看實際狀況
→ buganini:看前面的\xef\xbb\xbf應該是utf-8沒錯 而且這是BOM
→ buganini:不屬於內容的一部分，應該去除掉
→ buganini:我是沒注意過decode會不會去掉BOM
→ buganini:是了一下 手上的版本不會去掉
→ buganini:多一個換行是因為原本的換行加上print產生的
→ buganini:要讓print不產生換行請在後面加個,也就是print i,
→ uranusjr:UTF-8 理論上不該有 BOM, 沒去掉是正常的
→ uranusjr:查了一下資料, 似乎是「不建議, 但不禁止」
→ Andy58974:BOM是什麼啊???
→ Andy58974:我用.decode('utf-8')之後變成
→ Andy58974:[u'\ufeffC1I230', u'\u4e5d\u4efd\u4e8c\u5c71', u'0']
→ Andy58974:如果用.decode('big5')的話
→ Andy58974:'big5' codec can't decode bytes in position 16-17: i
→ Andy58974:illegal multibyte sequence
→ uranusjr:你先確認一下原本的網頁是什麼編碼吧
→ Andy58974:Unicode(UTF-8)
→ buganini:這樣其實是正確的 你print [1]出來看吧 print unicode
→ buganini:string的時候會根據locale轉成terminal的encoding
→ buganini:讓你看到真正的字，但print list只會用repr()讓你看而已
→ buganini:\uXXXX就是unicode charactor escape/repr之後的樣子
→ buganini:BOM是byte order mark
→ Andy58974:提點之後領悟了,感謝你~~~