使用lxml/scrapy选择器xpath后如何获取原始html实体？
我已经尝试过 lxml 而不是 parsel 包，同样的问题。
mytext = '<html><body><span>go od</span></body></html>'
sel = parsel.Selector(text=mytext)
sel.xpath('//body').extract()
实际输出：
['<body><span>go\xa0od</span></body>']
预期输出：
['<body><span>go od</span></body>']
&nbsp; 已转换，如何保持原样？
【问题讨论】：
<body><span>go od</span></body> 这就是你想要的输出的意思吗？
标签： python scrapy lxml html-entities parsel
根据文档，目前，.extract() 和 .getall() 方法返回原始 html 带有 unicode 字符，例如\xa0，即&nbsp;。更多信息here.
但是，.extract_first() 和 .get() 方法只返回列表中的第一个，并且输出是没有 unicode 字符。 (Docs)
print(sel.xpath('//body').get())
输出：
<body><span>go od</span></body>
但如果你真的想要&nbsp; 字符而不是'' 或\xa0。然后一种解决方案是对这些字符进行常规字符串替换。
例子：
body = sel.xpath('//body').extract()
result = [i.replace('\xa0', ' ') for i in body]
print(result)
输出：
['<body><span>go od</span></body>']
【讨论】：
&nbsp;不是我们要保留的唯一html实体，所以我认为可以直接输出原始html实体而无需进一步替换的方法会更好。
<body><span>go od</span></body>的具体原因吗？需要原始实体的上下文是什么？