Python 爬虫中文返回乱码

1、情景复现

今天闲的无聊，就复习一下爬虫，先拿学校官网做实验，爬取学校官网新闻标题、时间以及链接，可是返回的中文一直是如下的乱码：

2、尝试解决

我们先查看要爬取的网站的编码方式，在要爬取的网站用鼠标 右击–>检查–>点击Console 输入 document.charse 即可显示出网页的编码格式，如图：

一开始我们的代码是：

import requests
from lxml import etree
html = requests.get('https://www.cczu.edu.cn/')
tree = etree.HTML(html.text)
a = tree.xpath("//ul[@class='clearfix']/li")
total = []
for i in a:
    title = ''.join(i.xpath('.//h2//text()'))
    time = ''.join(i.xpath('.//h3//text()'))
    link = ''.join(i.xpath('./h2/a/@href'))
    print(title, time, link)
1
2
3
4
5
6
7
8
9
10
11

那咱来根据其网页的编码格式，把 request 返回的乱码转换一下：

import requests
from lxml import etree
html = requests.get('https://www.cczu.edu.cn/')
# 新增编码格式
html.encoding = "utf-8"
tree = etree.HTML(html.text)
a = tree.xpath("//ul[@class='clearfix']/li")
total = []
for i in a:
    title = ''.join(i.xpath('.//h2//text()'))
    time = ''.join(i.xpath('.//h3//text()'))
    link = ''.join(i.xpath('./h2/a/@href'))
    print(title, time, link)
1
2
3
4
5
6
7
8
9
10
11
12
13

完美解决！