使用 lxml 和请求进行 HTML 抓取会产生 unicode 错误 [重复]

Posted 2023-02-23

【中文标题】使用 lxml 和请求进行 HTML 抓取会产生 unicode 错误 [重复]

【英文标题】：HTML scraping using lxml and requests gives a unicode error [duplicate]

【发布时间】：2014-09-21 07:01:57

【问题描述】：

我正在尝试使用像here 提供的 html 抓取工具。它适用于他们提供的示例。但是，当我尝试将它与 webpage 一起使用时，我收到此错误 - Unicode strings with encoding declaration are not supported. Please use bytes input or XML fragments without declaration. 我试过谷歌搜索，但找不到解决方案。我真的很感激任何帮助。我想知道是否有办法使用 Python 将其复制为 HTML。

编辑：

from lxml import html
import requests
page = requests.get('http://cancer.sanger.ac.uk/cosmic/gene/analysis?ln=PTEN&ln1=PTEN&start=130&end=140&coords=bp%3AAA&sn=&ss=&hn=&sh=&id=15#')
tree = html.fromstring(page.text)

谢谢。

【问题讨论】：

请将您的抓取工具减少到仍然显示错误的最小程序，并将该短程序复制粘贴到您的问题中。请参阅***.com/help/mcve 了解更多信息。

@Robᵩ 我已经添加了代码，但错误仍然相同：不支持带有编码声明的 Unicode 字符串。请使用未声明的字节输入或 XML 片段。

【参考方案1】：

简答：使用page.content，而不是page.text。

来自http://lxml.de/parsing.html#python-unicode-strings：

lxml.etree 中的解析器可以立即处理 unicode 字符串……但是，这要求 unicode 字符串本身不指定冲突的编码，从而谎报其真实编码

来自http://docs.python-requests.org/en/latest/user/quickstart/#response-content：

请求将自动解码来自服务器的内容 [as r.text]。 ...您还可以以字节形式访问响应正文 [as r.content]。

所以你看，requests.text 和 lxml.etree 都想将 utf-8 解码为 un​​icode。但是如果我们让requests.text去解码，那么xml文件里面的编码语句就变成了谎言。

所以，让requests.content 不进行解码。这样lxml 将收到一个始终未解码的文件。

【讨论】：

这有帮助。谢谢。

效果很好，谢谢