Python Requests and Unicode

I am using the requests library to query the Diffbot API to get contents of an article from a web page url. When I visit a request URL that I create in my browser, it returns a JSON object with the text in Unicode (right?) for example (I shortended the text somewhat):

{“icon”:”http://mexico.cnn.com/images/ico_mobile.jpg”,”text”:”CIUDAD DE MÉXICO (CNNMéxico) u2014 Kassandra Guazo Cano tiene 32 años, pero este domingo participó por primera vez en una elección.n”No había sacado mi (credencial del) IFE (Instituto Federal Electoral) porque al hacer el trámite hay mucha mofa cuando ven que tu nombre no coincide con tu y otros documentos de acuerdo con su nueva identidad.nSánchez dice que los solicitantes no son discriminados, pero la experiencia de Kassanda es diferente: “hay que pagar un licenciado, dos peritos (entre ellos un endocrinólogo). Además, el juez dicta sentencia para el cambio de nombre y si no es favorable tienes que esperar otros cuatro años para volver a demandar al registro civil”.nAnte esta situación, el Consejo para Prevenir y Eliminar la sculina, los transgénero votan – México: Voto 2012 – Nacional”,”url”:”http://mexico.cnn.com/nacional/2012/07/02/con-apariencia-de-mujer-e-identidad-masculina-los-transexuales-votan”,”xpath”:”/HTML[1]/BODY[1]/SECTION[5]/DIV[1]/ARTICLE[1]/DIV[1]/DIV[6]”}

When I use the python request library as follows:

def get_article(self, params={}):
  api_endpoint = 'http://www.diffbot.com/api/article'
  params.update({
    'token': self.dev_token,
    'format': self.output_format,
  })
  req = requests.get(api_endpoint, params=params)
  return json.loads(req.content)

It returns this (again note that I shortened the text somewhat):

{u’url’: u’http://mexico.cnn.com/nacional/2012/07/02/con-apariencia-de-mujer-e-identidad-masculina-los-transexuales-votan’, u’text’: u’CIUDAD DE Mxc9XICO (CNNMxe9xico) u2014 Kassandra Guazo Cano tiene 32 axf1os, pero este domingo participxf3 por primera vez en una eleccixf3n.n”No habxeda sacado mi (credencial del) IFE (Instituto Federal Electoral) porque al hacOyuky Martxednez Colxedn, tambixe9n transgxe9nero, y que estaba acompaxf1ada de sus dos hijos y su mamxe1.nAmbas trabajan como activistas en el Centro de Apoyo a las Identidades Trans, A.C., donde participan en una campaxf1a de prevencixf3n de enfermedades sexuales.n”Quisixe9ramos que no solo nos vean como trabajadoras sexuales o estilistas, sino que luchamos por nuestros derechos”, dice Kassandra mientras sonrxede, sostiene su credencial de elector y levanta su pulgar entintado.’, u’title’: u’Con apariencia de mujer e identidad masculina, los transgxe9nero votan – Mxe9xico: Voto 2012 – Nacional’, u’xpath’: u’/HTML[1]/BODY[1]/SECTION[5]/DIV[1]/ARTICLE[1]/DIV[1]/DIV[6]’, u’icon’: u’http://mexico.cnn.com/images/ico_mobile.jpg’}

I don’t quite understand Unicode. How to make sure that what I get with requests is still Unicode?

Answer

You can use req.text instead of req.content to ensure that you get Unicode. This is described in:

https://requests.readthedocs.io/en/latest/api/#requests.Response.text

Advertisement

Answer