这是一个创建于 2832 天前的主题，其中的信息可能已经有所发展或是发生改变。
我现在在写一个爬虫爬一些页面，发现有些页面中的内容含有'<'，例如<div>a<b</div>，源页面没有给'<'做转义。我用 lxml 处理的时候，取 text 只能取到 a ，后面的'<b'丢失了，请问一下大家遇到这种情况如何处理的？谢谢！
第 1 条附言 · 2017-03-01 19:30:52 +08:00
最后发现问题了，是 lxml 的版本太低了😂😂😂感谢大家的帮助！
 |
1
pubby 2017-03-01 15:41:34 +08:00
给站长报告 bug ，他改好了，你这边就正常了。
|
 |
2
abc950309 2017-03-01 17:18:08 +08:00
text = res.text.replace('<', ‘<’)
|
 |
3
binux 2017-03-01 17:40:10 +08:00
这样的页面，浏览器就是解析成 <div>a<b< div=""></b<></div> 的，提取出 a<b 岂不是和用户看到的不一样了。
|
 |
4
jy02201949 2017-03-01 17:43:19 +08:00
@abc950309 #2 应该 OK ，但是个页面这么搞，消耗资源太多了吧
|
Select Language