目录
问题
附上代码
from lxml import etree
text = '''
<div>
<ul>
<li class="item-0"><a href="link1.html">first item</a></li>
<li class="item-1"><a href="link2.html">second item</a></li>
<li class="item-inactive"><a href="link3.html">third item</a></li>
<li class="item-1"><a href="link4.html">fourth item</a></li>
</ul>
</div>
'''
html_1 = etree.HTML(text)
print(type(html_1))
print(html_1)
打印出来的结果就是
<class 'lxml.etree._Element'>
<Element html at 0x140a12ac780>
原因
原因也十分简单,因为etree函数需要传递的编码格式为'utf-8'
而python中变量的编码格式为Unicode格式
格式不同,传递的时候当然会出错
可以用bs4库中的BeautifulSoup,但是etree基于c语言编写运行的速度一般来说比前者要快
所以我铁了心了要用它有什么办法吗?
解决办法
原理
当然
有!!!
既然要utf-8,那我就把编码格式转成utf-8不就行了
怎么转呢?
只需要把Unicode的字符转为bytes类型
然后用decode('utf-8')函数来解码为utf-8
代码
代码附上
bytes_res = etree.tostring(html_1)
str_res = etree.tostring(html_1).decode('utf-8')
print(str_res)
打印出来的结果就是
<html><body><div>
<ul>
<li class="item-0"><a href="link1.html">first item</a></li>
<li class="item-1"><a href="link2.html">second item</a></li>
<li class="item-inactive"><a href="link3.html">third item</a></li>
<li class="item-1"><a href="link4.html">fourth item</a></li>
<li class="item-0"><a href="link5.html">fifth item</a> <!--注意 这里少了一个<li>标签-->
</li></ul>
</div>
</body></html>
这样就打印好了
注意
因为为utf-8格式所以在输入中文是打印出来的也不是中文,而是一个诸如“啊”的英文代码
但是问题不大,只要中文不是乱码就应该还能识别回来