python - 使用 lxml 和请求进行 HTML 抓取会导致 unicode 错误

Question

我正在尝试使用提供的 HTML 抓取工具 here .它适用于他们提供的示例。但是，当我尝试将它与我的 webpage 一起使用时，我收到此错误 - 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。 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。

Answer 1

简答:使用 page.content，而不是 page.text。

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

the parsers in lxml.etree can handle unicode strings straight away ... This requires, however, that unicode strings do not specify a conflicting encoding themselves and thus lie about their real encoding

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

Requests will automatically decode content from the server [as r.text]. ... You can also access the response body as bytes [as r.content].

如您所见，requests.text 和 lxml.etree 都想将 utf-8 解码为 un​​icode。但是如果我们让requests.text做解码，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 将收到一个一致未解码的文件。