网页爬虫 - python处理中文

Question

最近在学习python爬虫，用的scrapy，基本流程都通顺了，但是发现解析页面中文的时候比较头大。

比如抽取到的内容可能含有 《 【 等字符，这个时候怎么处理?

另外，xpath搜索的时候也有可能需要通过中文匹配，怎么破？

Answer 1

可以考慮採用正規匹配。
參考這篇文章：http://blog.csdn.net/gatieme/article/details/43235791

Answer 2

全部用utf8呀

Answer 3

python3在這方面做得比python2好多了，如果可以建議用python3

Answer 4

對爬取到的字串加encode("utf-8")