我有一个包含两种内容类型的文档：text/xml 和 text/html。我想使用 BeautifulSoup 来解析文档并最终得到一个干净的文本版本。该文档以元组开始，因此我一直使用 repr 将其转换为 BeautifulSoup 识别的内容，然后使用 find_all 通过搜索 div 来查找文档的 text/html 位，如下所示：
soup = BeautifulSoup(repr(msg_data))
text = soup.html.find_all("div")
然后，我将文本转回字符串，将其保存到变量中，然后将其转回汤对象并在其上调用 get_text，如下所示：
str_text = str(text)
soup_text = BeautifulSoup(str_text)
soup_text.get_text()
但是，然后将编码更改为 unicode，如下所示：
u'[9:16 PM\xa0Erica: with images, \xa0\xa0and that seemed long to me anyway, 9:17
PM\xa0me: yeah, \xa0Erica: so feel free to make it shorter, \xa0\xa0or rather, please do,
9:18 PM\xa0nobody wants to read about that shit for 2 pages, \xa0me: :), \xa0Erica: while
browsing their site, \xa0me: srsly, \xa0Erica: unless of course your writing is magic,
\xa0me: My writing saves drowning puppies, \xa0\xa0Just plucks him right out and gives
them a scratch behind the ears and some kibble, \xa0Erica: Maine is weird, \xa0me: haha]'
当我尝试将其重新编码为 UTF-8 时，如下所示：
soup.encode('utf-8')
我回到未解析的类型。
我想将干净的文本保存为字符串，然后我可以在文本中找到特定的内容（例如，上面文本中的“小狗”）。
基本上，我在这里兜圈子。任何人都可以帮忙吗？与往常一样，非常感谢您提供的任何帮助。