Python Selenium().text 返回“–”而不是撇号(')

Question

我正在尝试收集有关 Seeking Alpha 的评论（例如： https: //seekingalpha.com/article/4243835-teslas-low-2019-capex-harm-growth-story-brand-value）。我用引号中的代码列出了我收集的评论之一。我使用的代码是 ().text （也在末尾列出）。

\n\n

问题是，有时，它可以正确返回撇号（\'）[如第一段中的“Boeing\'s”]，但有时，它返回“\xc3\xa2\xe2\x82\xac\xe2\ x84\xa2” [类似于第二段中的“America\xc3\xa2\xe2\x82\xac\xe2\x84\xa2s”]。

\n\n

“@trentbridge 天哪，这是多么愚蠢的论点。来自波音的官方网站（提示：他们不认为自己是一家科技公司）

\n\n

一般信息。波音公司是全球最大的航空航天公司，也是商用喷气式客机、国防、太空和安全系统的领先制造商以及售后支持服务提供商。作为美国\xc3\xa2\xe2\x82\xac\xe2\x84\xa2最大的制造业出口商，该公司为150多个国家的航空公司以及美国和盟国政府客户提供支持。

\n\n

……”

\n\n

有可能我可以在收集所有内容后将所有“\xc3\xa2\xe2\x82\xac\xe2\x84\xa2”替换为“\'”。然而，我确实更愿意找到一种方法来拒绝一开始就得到错误的字符。

\n\n

任何帮助，将不胜感激！

\n\n

[comment.text for comment in driver.find_elements_by_class_name(\'b-c-content\')]\n

\n

Answer 1

您的问题是，被误解的撇号不是正常的撇号字符'，而是正确单引号的 Unicode 字符：\xe2\x80\x99。它变成 mojibake 的原因是您对内容的解码不正确。它采用 UTF-8 格式（因此\xe2\x80\x99由三个字节 表示\\xe2\\x80\\x99），但您使用代码页 1252 对其进行解码（其中三个字节\\xe2\\x80\\x99表示三个单独的字符 、\xc3\xa2和\xe2\x82\xac）\xe2\x84\xa2。

\n\n

由于您没有显示太多代码，我无法提供任何有关如何解决解码问题的建议，但可能有一种方法可以请求 Selenium 使用 UTF-8 （坦率地说，我很惊讶这不是默认值）。或者，您也许能够获取原始字节并自行解码文本。

\n\n

虽然最好避免错误解码，但如果您确实需要在字符串转为 mojibake 后修复字符串，最好的方法可能是按照错误解码的方式重新编码，然后再次解码，这次正确：

\n\n

badtext = 'America\xc3\xa2\xe2\x82\xac\xe2\x84\xa2s'\nencoded = badtext.encode('cp1252') \ngoodtext = encoded.decode('utf-8') # 'America\xe2\x80\x99s'\n

\n