我正在使用python框架scrapy来刮取数据,下面是我的spider的代码:
def parse(self, response):
hxs = HtmlXPathSelector(response)
sites = hxs.select('//h1')
links = hxs.select('//div[@class="pp-title"]')
#sites = hxs.select('//div[@id="yt-lockup-content"] ')
items = []
for site in links:
item = DmozItem()
item['title'] = site.select('a/h1/text()').extract()
item['link'] = site.select('a/@href').extract()
items.append(item)
return items
我用这个spider在items.json
中收集数据,我用命令scrapy crawl dmoz -o items.json -t json
运行spider。数据以不同的格式存储
[[{"link": ["http://www.ponudadana.hr/Planinarski-dom-Kalnik-2-dana-s-doruckom-za-dvoje-za-149kn-umjesto-300kn-7482_1"], "title": ["Planinarski dom Kalnik - 2 dana s doru\u010dkom za dvoje za 149kn umjesto 300kn!"]},
问题是像č,ž,š,đ,ž
这样的特殊字符被存储为\u010
或类似的字符,例如,请参见上面的单词doru\u010dkom
,它应该是doručkom
。有人能帮我吗,我应该使用一些编码格式吗
无论是JSON还是Python unicode字符串文本,
\u010d
表示č
。即使它在JSON中是这样表示的,当您解码它时,它将显示为一个正确的字母č
Python字符串也有同样的应用程序
相关问题 更多 >
编程相关推荐