在 python 中使用 lxml 进行网页抓取后，我得到了奇怪的字符而不是土耳其字符

Question

我一直在尝试使用 lxml 库从一些网站获取数据。和 Python3。但是在网络抓取过程之后，我得到了一些奇怪的字符而不是土耳其字符。奇怪的字符如下所示。

土耳其残疾人体育援助和教育总局 (TESYEV)
关于单科考试的公告
2019-2020 学年需要提前完成

但它们应该如下所示。

土耳其残疾人体育援助和教育基金会 (TESYEV) 总局
关于单科考试的公告
我们的学生将在 2019-2020 学年采取的行动

我从不同的网站上得到了每句话。我不知道如何将它们转换为土耳其语文本。

这是我的代码。

import cssselect
import requests
from lxml import html

def parse_html(url, selector):
    page = requests.get(url)

    tree = html.fromstring(page.content)
    titles = tree.cssselect(selector)

    for title in titles:
        print(title.text_content().strip())

版本

python = 3.7.4
lxml = 4.5.2
请求数 = 2.24.0
cssselect = 1.1.0

Answer 1

回答

import cssselect
import requests
from lxml import html

def parse_html(url, selector):
    page = requests.get(url)

    content = str(page.content, 'utf-8')

    tree = html.fromstring(content)
    titles = tree.cssselect(selector)

    for title in titles:
        print(title.text_content().strip())

为什么

Unicode 字符“ı”（U+0131）在 UTF-8 中编码为 0xC4B1。 2 个字节。

> echo -e '\u0131' | xxd -u
00000000: C4B1 0A                                  ...

page.contentreturns一个Binary Response Content.

0xC4B1 变为 0xC4 (U+00C4 'Ä') 和 0xB1 (U +00B1 '±')

而U+00FC 'ü'（UTF-8编码：0xC3BC）变为0xC3 (U+00C3 'Ã') 和 0xBC (U+00BC '¼')

在 python 中使用 lxml 进行网页抓取后，我得到了奇怪的字符而不是土耳其字符

I get strange characters instead of turkish characters after web scraping using lxml in python

python

web-scraping

unicode

html-parsing

lxml

回答

为什么