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

Question

我一直在尝试使用 lxml lib 从一些网站获取数据。和Python3。但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。

• 土耳其残疾人运动援助和教育总局 (TESYEV)

• 关于单科考试的公告

• 2019-2020 伊利学院研究院

但它们应该像下面给出的那样。

• 土耳其残疾人运动援助和教育基金会 (TESYEV) 总局

• 关于单科考试的公告

• 我们的学生在 2019-2020 学年要做的程序

我从不同的网站得到了每个句子。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

• 蟒蛇= 3.7.4

• lxml = 4.5.2

• 请求= 2.24.0

• css选择= 1.1.0

Answer 1

回答import cssselectimport requestsfrom lxml import htmldef 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 字节。> echo -e '\u0131' | xxd -u00000000: C4B1 0A                                  ...page.content返回二进制响应内容。0xC4B1变为0xC4 (U+00C4 '?') 和0xB1 (U+00B1 '±')并且U+00FC 'ü'（UTF-8 编码：0xC3BC）变为0xC3 (U+00C3 'à') 和0xBC (U+00BC '¼')