scrapy xpath extraction 以及其編碼的問題

[stevec (steve)]

有點不曉得為什麼,想請各位大大看一下

下面的程式碼只要是想利用scrapy 裡面的xpath extract一些我想要的info
raw_html_article_content_  是儲存我想extract的部分資訊
raw 是儲存範圍比較大的部分

所以理論上raw會包含raw_html_article_content_  的資訊
可是raw包含的部分會有點跟raw_html_article_content_裡面的不一樣

例如:
raw: 結婚並無Z>B (這跟chrom瀏覽器打開source code的看到的是一樣的)
raw_html_article_content_ : 結婚並無Z>B

我要怎麼讓raw裡面儲存的跟raw_html_article_content_的一樣啊？

ps:環境win 7, python 2.7,scrappy 1.4



from scrapy.http import HtmlResponse
from scrapy.selector import Selector
import urllib
import urllib2

address   = "http://www.ptt.cc/bbs/Boy-Girl/M.1416362560.A.881.html"
response  =  urllib2.urlopen(address)
html      =  response.read()

html_response     = HtmlResponse( address, body=html)
sel               = Selector(html_response)


recog_assist_word  = u"※ 文章網址: "
xpath   = """/html/body/div[@id="main-container"]/div[@id="main-content"]/
  span[@class="f2" and text()="%s"][last()]/preceding-sibling::node()"""
  % recog_assist_word
raw_html_article_content_ = sel.xpath(xpath).extract()
raw_html_article_content_ = "".join([_ for _ in raw_html_article_content_])

raw=sel.xpath(u"""/html""").extract()[0]

print raw_html_article_content_

print raw

--
※ 發信站: 批踢踢實業坊(ptt.cc), 來自: 140.112.218.124
※ 文章網址: http://www.ptt.cc/bbs/Python/M.1417260034.A.579.html
※ 編輯: stevec (140.112.218.124), 11/29/2014 19:39:32
→ dritchie: 那個編碼叫HTML entity
→ stevec: 感謝大大,可是在python裡要怎麼樣讓name entities顯示正常
→ stevec: 呢？
→ stevec: 為什麼scrapy有時候會幫忙修正,有時候又不會呢？
→ stevec: 這個眉角在哪啊？