爬取网页时调用tostring()中文乱码("&#数字;")解决方案

  1. 出现乱码的代码
import requests
import re
from lxml import etree
with open('real_case.html', 'r', encoding='utf-8') as f:
    c = f.read()
tree = etree.HTML(c)
table_element = tree.xpath("//div[@class='table-box'][1]/table/tbody/tr")
#正则表达式过滤掉<>
pattern1_attrib = re.compile(r"<.*?>")
for row in table_element:
    try:
        td1 = row.xpath('td')[0]
        #调用tostring()后出现乱码
        s1 = etree.tostring(td1).decode('utf-8')
        s1 = pattern1_attrib.sub('', s1)
        print(s1)
    except Exception as error:
        pass

乱码:
在这里插入图片描述

  1. 修正过后的代码
    引入HTML包,使用unescape()方法
import requests
import re
from lxml import etree
#引入HTML包
import html

with open('real_case.html', 'r', encoding='utf-8') as f:
    c = f.read()
tree = etree.HTML(c)
table_element = tree.xpath("//div[@class='table-box'][1]/table/tbody/tr")

pattern1_attrib = re.compile(r"<.*?>")
for row in table_element:
    try:
        td1 = row.xpath('td')[0]
        s1 = etree.tostring(td1).decode('utf-8')
        s1 = pattern1_attrib.sub('', s1)
        # unescape() 此函数使用HTML5标准定义的规则将字符转换成对应的unicode字符。
        s1 = html.unescape(s1)
        print(s1)
    except Exception as error:
        pass

结果:
在这里插入图片描述

评论 3
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

南淮北安

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值