Парсинг русских сайтов

@maria_ · Регистрация: 25.08.2013

Студворк — интернет-сервис помощи студентам

Здравствуйте! Я учусь парсить сайты. На примере википедии. Возникла проблема: когда запускаю для английской википедии, всё хорошо. А когда для русской, появляется ошибка "ParseError: undefined entity: line 480, column 9". Думаю, дело в кодировках, но не знаю, как исправить. Вот код:

Python
1
2
3
4
5
6
7
8
9
10
11
from urllib2 import urlopen
import random
from lxml.html import fromstring
conn = urlopen('https://en.wikipedia.org/wiki/Main_Page')
data = conn.read()
html = data.decode('utf-8')
f = open('wiki.html', 'w')
f.write(data)
f.close()
import xml.etree.ElementTree as ET
tree = ET.parse ('wiki.html')

@alex925 · 11.04.2014, 23:51

maria_, советую тебе лучше использовать модуль lxml.html и все будет хорошо.
P.S а за место urllib2 пользуйся модулем requests (он более высокоуровневый и там почти все сделано за тебя, получение странички делаться с помощью 1 строки кода)

@t1m0n · 12.04.2014, 02:07

у вики есть апи, можно получать данные сразу в xml

Новые блоги и статьи Все статьи Все блоги /
http://iceja.net/ сервер решения полиномов iceja 18.01.2026 Выкатила http:/ / iceja. net/ сервер решения полиномов (находит действительные корни полиномов методом Штурма). На сайте документация по API, но скажу прямо VPS слабенький и 200 000 полиномов. . .	Первый деплой lagorue 16.01.2026 Не спеша развернул своё 1ое приложение в kubernetes. А дальше мне интересно создать 1фронтэнд приложения и 2 бэкэнд приложения развернуть 2 деплоя в кубере получится 2 сервиса и что-бы они. . .	Расчёт переходных процессов в цепи постоянного тока igorrr37 16.01.2026 / * Дана цепь постоянного тока с R, L, C, k(ключ), U, E, J. Программа составляет систему уравнений по 1 и 2 законам Кирхгофа, решает её и находит: токи, напряжения и их 1 и 2 производные при t = 0;. . .	Восстановить юзерскрипты Greasemonkey из бэкапа браузера damix 15.01.2026 Если восстановить из бэкапа профиль Firefox после переустановки винды, то список юзерскриптов в Greasemonkey будет пустым. Но восстановить их можно так. Для этого понадобится консольная утилита. . .
Изучаю kubernetes lagorue 13.01.2026 А пригодятся-ли мне знания kubernetes в России?	Сукцессия микоризы: основная теория в виде двух уравнений. anaschu 11.01.2026 https:/ / rutube. ru/ video/ 7a537f578d808e67a3c6fd818a44a5c4/	WordPad для Windows 11 Jel 10.01.2026 WordPad для Windows 11 — это приложение, которое восстанавливает классический текстовый редактор WordPad в операционной системе Windows 11. После того как Microsoft исключила WordPad из. . .	Classic Notepad for Windows 11 Jel 10.01.2026 Old Classic Notepad for Windows 11 Приложение для Windows 11, позволяющее пользователям вернуть классическую версию текстового редактора «Блокнот» из Windows 10. Программа предоставляет более. . .

@alex925 2742 / 2341 / 620 Регистрация: 19.03.2012 Сообщений: 8,830
	11.04.2014, 23:51
	maria_, советую тебе лучше использовать модуль lxml.html и все будет хорошо. P.S а за место urllib2 пользуйся модулем requests (он более высокоуровневый и там почти все сделано за тебя, получение странички делаться с помощью 1 строки кода) 1

@t1m0n 638 / 416 / 27 Регистрация: 03.11.2009 Сообщений: 1,855
	12.04.2014, 02:07
	у вики есть апи, можно получать данные сразу в xml 1