如何告訴lxml使用哪個字符集？

Question

我正在使用html並使用lxml進行解析。 為了進行測試，我將一個html文檔以字符串形式保存在python文件中，頂部的encoding = utf-8。

每當我嘗試使用lxml解析html時，如果html沒有<meta charset="utf-8">標記，我都會得到奇怪的html編碼。

這是代碼：

t = lxml.html.fromstring(page_html)
print lxml.html.tostring(t)

如果page_html字符串包含tostring()方法上方的元字符集，則返回經過很好編碼的html（即'變成’ ）。 如果沒有它，結果將出現亂碼（即'變成’ ）

這種編碼是在fromstring方法中進行的，而不是在tostring方法中進行的，因此，我不能在創建樹后立即將新的meta元素插入樹中，因為到那時為止。

我能想到的唯一解決方案是嘗試在創建樹之前修改原始html字符串並在其中添加meta標記。 不過，這似乎有點笨拙。 沒有使用lxml的更好方法嗎？

Answer 1

原來，我只需要將自定義解析器傳遞給fromstring方法。 因此，可以解決此問題：

parser = html.HTMLParser(encoding="utf-8")
t = lxml.html.fromstring(page_html, parser=parser)
print lxml.html.tostring(t)