1、情景复现
今天闲的无聊,就复习一下爬虫,先拿学校官网做实验,爬取学校官网新闻标题、时间以及链接,可是返回的中文一直是如下的乱码:
2、尝试解决
我们先查看要爬取的网站的编码方式,在要爬取的网站用鼠标 右击–>检查–>点击Console 输入 document.charse 即可显示出网页的编码格式,如图:
一开始我们的代码是:
import requests
from lxml import etree
html = requests.get('https://www.cczu.edu.cn/')
tree = etree.HTML(html.text)
a = tree.xpath("//ul[@class='clearfix']/li")
total = []
for i in a:
title = ''.join(i.xpath('.//h2//text()'))
time = ''.join(i.xpath('.//h3//text()'))
link = ''.join(i.xpath('./h2/a/@href'))
print(title, time, link)
那咱来根据其网页的编码格式,把 request 返回的乱码转换一下:
import requests
from lxml import etree
html = requests.get('https://www.cczu.edu.cn/')
# 新增编码格式
html.encoding = "utf-8"
tree = etree.HTML(html.text)
a = tree.xpath("//ul[@class='clearfix']/li")
total = []
for i in a:
title = ''.join(i.xpath('.//h2//text()'))
time = ''.join(i.xpath('.//h3//text()'))
link = ''.join(i.xpath('./h2/a/@href'))
print(title, time, link)
完美解决!