Python爬虫XPath解析出乱码的问题及解决
作者：平人的进步日常
这篇文章主要介绍了Python爬虫XPath解析出乱码的问题及解决,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教
Python爬虫XPath解析出乱码
请求后加上编码
resp = requests.get(url, headers=headers) resp.encoding = 'GBK'
Python XPath解析html出现â解决方法 html出现{；
爬网页又遇到一个坑，老是出现a乱码，查看html出现的是&#数字;这样的。
网上相关的“Python字符中出现&#的解决办法”又没有很好的解决，自己继续冲浪，费了一番功夫解决了。
这算是又加深了一下我对这些iso、Unicode编码的理解。故分享。
问题
用Python的lxml解析html时，调用text()输出出来的结果带有a这样的乱码：
网页原页面展示：
爬取代码：
url = "xxx"
response = requests.request("GET", url)
html = etree.HTML(response.text)
# 直接调用text函数
description = html.xpath('//div[@class="xxx"]/div/div//text()')
# 直接打印
for desc in description:
print(desc)原因
不用说自然是编码的问题。下面教大家排查和解决。
排查与解决
首先查看返回的响应是如何编码的：
response = requests.request("GET", url, proxies=proxy)
# 得到响应之后，先检查一下它的编码方式
print(response.encoding)结果如下：
然后根据这个编码的方式再来解码：
html = etree.HTML(response.text)
description = html.xpath('//div[@class="xxx"]/div/div//text()')
for desc in description:
# print(desc)
# 根据上面的结果，用iso88591来编码，再解码为utf-8
print(desc.encode("ISO-8859-1").decode("utf-8"))结果如下：
完整代码：
url = "xxx"
response = requests.request("GET", url)
print(response.encoding)
html = etree.HTML(response.text)
description = html.xpath('//div[@class="xxx"]/div/div//text()')
for desc in description:
print(desc.encode("ISO-8859-1").decode("utf-8"))
# print(desc)总结
网上有用python2流传下来的HTMLParser的，还有用python3的html包的，效果都不好。
不过也有改response的编码方式的，就是这样：
url = "xxx"
response = requests.request("GET", url)
# html = etree.HTML(response.text)
html = etree.HTML(response.content) # 改用二进制编码
# 直接调用text函数
description = html.xpath('//div[@class="xxx"]/div/div//text()')
# 直接打印
for desc in description:
print(desc)也能成功解析。
以上为个人经验，希望能给大家一个参考，也希望大家多多支持脚本之家。