我正在使用lxml 4.5.0从网站抓取数据。
在以下示例中效果很好
chrome_ua = "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_13_6) AppleWebKit/537.36 " \
"(KHTML, like Gecko) Chrome/77.0.3864.0 Safari/537.36"
with requests.Session() as s:
s.headers.update({'User-Agent': chrome_ua})
resp = s.get('https://www.yahoo.co.jp')
parser = etree.HTMLParser()
tree = etree.parse(StringIO(resp.text), parser)
result = tree.xpath('//*[@id="tabTopics1"]/a')[0]
result.text
[result.text
给我正确的文本'ニュース'
但是当我尝试另一面时,它无法正确地折服日本人。
chrome_ua = "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_13_6) AppleWebKit/537.36 " \
"(KHTML, like Gecko) Chrome/77.0.3864.0 Safari/537.36"
with requests.Session() as s:
s.headers.update({'User-Agent': chrome_ua})
resp = s.get('https://travel.rakuten.co.jp/')
parser = etree.HTMLParser()
tree = etree.parse(StringIO(resp.text), parser)
result = tree.xpath('//*[@id="rt-nav-box"]/li[1]/a')[0]
result.text
result.text
给我'å\x9b½å\x86\x85æ\x97\x85è¡\x8c'
,应该是'国内旅行'
我尝试使用parser = etree.HTMLParser(encoding='utf-8')
,但仍然无法正常工作。
在这种情况下,如何使lxml正确解析日语?
使用中
print(resp.encoding)
您可以看到它使用ISO-8859-1
将resp.content
转换为resp.text
但是您可以直接获得resp.content
并使用不同的编码对其进行解码
StringIO( resp.content.decode('utf-8') )
使用模块chardet,您可以尝试检测应该使用哪种编码
print( chardet.detect(resp.content) )
结果
{'encoding': 'utf-8', 'confidence': 0.99, 'language': ''}
import requests
from lxml import etree
from io import StringIO
import chardet
chrome_ua = "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_13_6) AppleWebKit/537.36 " \
"(KHTML, like Gecko) Chrome/77.0.3864.0 Safari/537.36"
with requests.Session() as s:
s.headers.update({'User-Agent': chrome_ua})
resp = s.get('https://travel.rakuten.co.jp/')
print(resp.encoding)
print( chardet.detect(resp.content) )
detected_encoding = chardet.detect(resp.content)['encoding']
parser = etree.HTMLParser()
#tree = etree.parse(StringIO(resp.content.decode('utf-8')), parser)
tree = etree.parse(StringIO(resp.content.decode(detected_encoding)), parser)
result = tree.xpath('//*[@id="rt-nav-box"]/li[1]/a')[0]
result.text
编辑:如在答案中找到的@ usr2564301
python requests.get() returns improperly decoded text instead of UTF-8?
可以用]解决>
resp.encoding = resp.apparent_encoding
使用
chardet
识别编码。