我用 python 获取的网址为何带有括号和单引号？
在编写爬虫程序时，你可能会遇到获取的网址中包含括号和单引号的情况，这可能会给后续处理带来不便。下面我们将探讨导致这种情况的原因并提供解决方案：
原因：
你使用的解析工具（如 beautifulsoup）在解析 html 时，会将原始的 html 字符串转换为 python 对象。html 中的某些特殊字符，如 <、>、& 和 ', 在 python 中具有特殊的含义，因此在解析时需要进行转义。
立即学习“Python免费学习笔记（深入）”；
Windows 日历同步
下载
将提醒同步至 Windows/Outlook 日历。用户提及「提醒我」「设置提醒」「加到日历」「同步到日历」「日程」「calendar」「日历」时触发。支持Microsoft Graph API 设备代码流认证，无需 Web 服务器，直接写入用户 Outlook 日历。
默认情况下，beautifulsoup 使用 html5 的解析器，它会将这些特殊字符转义成对应的 html 实体，如 < 表示 <、> 表示 >、& 表示 & 和 ' 表示 '. 这些转义对于避免在 python 中产生语法错误很重要。
解决方案：
要获取不带括号和单引号的网址，你可以执行以下操作：
- 使用正则表达式去除 html 实体：使用正则表达式 re.sub('&.*?;', '', link) 将 html 实体替换为空字符串。
- 使用 lxml 解析器：lxml 是另一个流行的 html 解析库，其默认解析器不会将特殊字符转义成 html 实体。只需将 beautifulsoup(html, "html5lib") 替换为 etree.html(html) 即可。
- 手动解码转义字符：你可以使用 html.unescape() 函数手动解码转义字符，即将 '<a href="url">' 解码为 '<a href="url">'。
修改后的代码示例如下：
import requests
from lxml import etree
url = 'http://www.prnasia.com/m/mediafeed/rss?id=2303&t=240'
headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/87.0.4280.66 Safari/537.36'
}
res = requests.get(url, headers=headers)
res_dome = etree.HTML(res.text)
for link in res_dome.xpath('//h3/a/@href'):
print(link) # 无括号和单引号的网址 
