前言

爬网页又遇到一个坑，老是出现â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â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-8print(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。

参考文章： 

Xpath编码问题解决

xpath获取标签属性乱码解决（成长日记）_xpath如何获取标签中的文本打印出来是问号-CSDN博客