Masalah dengan python lxml menghuraikan bahasa Cina
高洛峰
高洛峰 2017-05-18 10:44:31
0
2
618

Menggunakan lxml untuk menangkap aksara Cina, hasilnya sangat menyakitkan, saya tidak tahu bagaimana untuk menanganinya...

comUrl="http://m.51job.com/search/codetail.php?coid=4108723"
res=requests.get(comUrl)
html=etree.HTML(res.text)
p=html.xpath("//aside")[1].xpath("./p")   #结果为[<Element p at 0x7bf01c8>, <Element p at 0x78f4408>, <Element p at 0x69db388>]
p[0].xpath("./span/text()")  #这个是想要抓取的字符

Hasilnya seperti ini [u'xe6x80xa7xe8xb4xa8']
unikod tetapi kandungannya ialah pengekodan str Bagaimana untuk menukar perkara ini kepada bahasa Cina?
Biasanya ia sepatutnya 'xe6x80xa7xe8xb4xa8' atau u'u6027u8d28'

高洛峰
高洛峰

拥有18年软件开发和IT教学经验。曾任多家上市公司技术总监、架构师、项目经理、高级软件工程师等职务。 网络人气名人讲师,...

membalas semua(2)
淡淡烟草味
''.join(map(lambda x:chr(x), map(lambda x:ord(x), u'\xe6\x80\xa7\xe8\xb4\xa8'))).decode('utf-8')
滿天的星座

Apabila ini berlaku, biasanya kerana permintaan telah meneka pengekodan halaman web yang salah
Jadi, nyatakan sahaja pengekodan permintaan.
res.encoding ='utf-8'

In [33]: comUrl="http://m.51job.com/search/codetail.php?coid=4108723"
    ...: res=requests.get(comUrl)
    ...: res.encoding ='utf-8'
    ...: html=etree.HTML(res.text)
    ...: p=html.xpath("//aside")[1].xpath("./p")   #结果为[<Element p at 0x7b
    ...: f01c8>, <Element p at 0x78f4408>, <Element p at 0x69db388>]
    ...: p[0].xpath("./span/text()")  #这个是想要抓取的字符
    ...: 
Out[33]: [u'\u6027\u8d28']

In [34]: print _[0]
性质
Muat turun terkini
Lagi>
kesan web
Kod sumber laman web
Bahan laman web
Templat hujung hadapan