编码问题蟒蛇scriaping

Question

<div class="features clearfix"> 
<span> <img src="/App_Theme/css/img/ico_area.png" width="36" height="36" class="imgvertical"> 
       78,00 a 207,00 m²    
</span> 
<span><img src="/App_Theme/css/img/ico_bed.png" class="imgvertical"></i> 

          Desde&nbsp; 
          2 
      </span> 
<span><img src="/App_Theme/css/img/ico_bath.png" width="36" height="36" class="imgvertical"> 

        Desde&nbsp; 
        2   
</span> 
<span><img src="/App_Theme/css/img/ico_garaje.png" width="36" class="imgvertical" height="36"> 
       Sin especificar 
</span> 
</div> 

试图废除上述标签内的数据，但输出字符串只打印乱码，不正确的数据

我的代码

import requests 
from bs4 import BeautifulSoup 
page = requests.get('https://www.fincaraiz.com.co/oceana-52/barranquilla/proyecto-nuevo-det-1041165.aspx') 
soup = BeautifulSoup(page.content, 'lxml') 
box_2 = soup.find('div' ,'features clearfix') 
box_2_1 = box_2.findAll('span') 
box2 = [] 
for row2 in box_2_1: 
    box2.append(row2.text) 
print (box2) 

但它打印输出like below

['\ r \ n 78,00 a 207,00m²r \ n \ r \ n'，'\ r \ n \ r \ n Desde \ xa0 \ r \ n 2 \ r \ n \ r \ n \ r \ n'，'\ r \ n \ r \ n Desde \ xa \ r \ n 2 \ r \ n \ r \Ñ\ r \ n '' \ r \ n \ r \ n仙especificar \ r \ n \ r \ n“]

这里预期的输出是：

78,00一个207 00平方米 Desde 2 Desde 2 仙especificar

我已经尝试过UTF-8编码的代码一起，但它仍然给了相同的输出。我怎样才能避免unicode错误？

Answer 1

你正在观察的不是一个unicode问题。您提取的文本实际上包含换行符（'\r\n'）以及HTML实体 转换为'\xa0'的不间断空格。

如果您需要删除这些字符，或者用空格代替它们，你可以修改你的代码是这样的：

for row2 in box_2_1: 
    text = row2.text 
    text = text.replace('\r\n', ' ') 
    text = text.replace('\xa0', ' ') 
    box2.append(text) 
print(box2) 

注意，这仍然会从您上面提供的预期输出不同。您的代码将在box2中创建一个列表，因此当您打印该列表时，您会看到方括号和逗号分隔列表元素。如果你不希望出现这种情况，你可以加入列表转换为字符串，用空格分隔元素，像这样：

print(' '.join(box2))