本文介绍: 爬网页又遇到一个坑，老是出现â乱码，查看html出现的是&#数字;这样的。网上相关的“Python字符中出现&#的解决办法”又没有很好的解决，自己继续冲浪，费了一番功夫解决了。这算是又加深了一下我对这些iso、Unicode编码的理解。故分享。
前言
爬网页又遇到一个坑，老是出现â乱码，查看html出现的是&#数字;这样的。
网上相关的“Python字符中出现&#的解决办法”又没有很好的解决，自己继续冲浪，费了一番功夫解决了。
这算是又加深了一下我对这些iso、Unicode编码的理解。故分享。
问题
用Python的lxml解析html时，调用text()输出出来的结果带有â这样的乱码：
网页原页面展示：
爬取代码：
url = "xxx"
response = requests.request("GET", url)
html = etree.HTML(response.text)
# 直接调用text函数
description = html.xpath('//div[@class="xxx"]/div/div//text()')
# 直接打印
for desc in description:
print(desc)原因
不用说自然是编码的问题。下面教大家排查和解决。
排查与解决
首先查看返回的响应是如何编码的：
response = requests.request("GET", url, proxies=proxy)
# 得到响应之后，先检查一下它的编码方式
print(response.encoding)结果如下：
然后根据这个编码的方式再来解码：
html = etree.HTML(response.text)
description = html.xpath('//div[@class="xxx"]/div/div//text()')
for desc in description:
# print(desc)
# 根据上面的结果，用iso88591来编码，再解码为utf-8
print(desc.encode("ISO-8859-1").decode("utf-8"))
结果如下：
完整代码：
url = "xxx"
response = requests.request("GET", url)
print(response.encoding)
html = etree.HTML(response.text)
description = html.xpath('//div[@class="xxx"]/div/div//text()')
for desc in description:
print(desc.encode("ISO-8859-1").decode("utf-8"))
# print(desc)总结
网上有用python2流传下来的HTMLParser的，还有用python3的html包的，效果都不好。
不过也有改response的编码方式的，就是这样：
url = "xxx"
response = requests.request("GET", url)
# html = etree.HTML(response.text)
html = etree.HTML(response.content) # 改用二进制编码
# 直接调用text函数
description = html.xpath('//div[@class="xxx"]/div/div//text()')
# 直接打印
for desc in description:
print(desc)也能成功解析。
参考文章：
xpath获取标签属性乱码解决（成长日记）_xpath如何获取标签中的文本打印出来是问号-CSDN博客
原文地址:https://blog.csdn.net/m0_46948660/article/details/135935289
本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。
如若转载，请注明出处：http://www.7code.cn/show_66331.html
如若内容造成侵权/违法违规/事实不符，请联系代码007邮箱：suwngjj01@126.com进行投诉反馈，一经查实，立即删除！
声明：本站所有文章，如无特殊说明或标注，均为本站原创发布。任何个人或组织，在未征得本站同意时，禁止复制、盗用、采集、发布本站内容到任何网站、书籍等各类媒体平台。如若本站内容侵犯了原著者的合法权益，可联系我们进行处理。
