网页爬虫 - python处理中文

Question

最近在学习python爬虫，用的scrapy，基本流程都通顺了，但是发现解析页面中文的时候比较头大。

比如抽取到的内容可能含有 《 【 等字符，这个时候怎么处理?

另外，xpath搜索的时候也有可能需要通过中文匹配，怎么破？

Answer 1

Pertimbangkan untuk menggunakan padanan biasa.
Rujuk artikel ini: http://blog.csdn.net/gatieme/article/details/43235791

Answer 2

Gunakan utf8 untuk segala-galanya

Answer 3

Python3 jauh lebih baik daripada python2 dalam hal ini Jika anda boleh, saya syorkan menggunakan python3

Answer 4

Tambahkan pengekodan("utf-8") pada rentetan yang dirangkak