浅谈Python爬取网页的编码处理


Posted in Python onNovember 04, 2016

背景

中秋的时候,一个朋友给我发了一封邮件,说他在爬链家的时候,发现网页返回的代码都是乱码,让我帮他参谋参谋(中秋加班,真是敬业= =!),其实这个问题我很早就遇到过,之前在爬小说的时候稍微看了一下,不过没当回事,其实这个问题就是对编码的理解不到位导致的。

问题

很普通的一个爬虫代码,代码是这样的:

# ecoding=utf-8
import re
import requests
import sys
reload(sys)
sys.setdefaultencoding('utf8')

url = 'http://3water.com/ershoufang/rs%E6%8B%9B%E5%95%86%E6%9E%9C%E5%B2%AD/'
res = requests.get(url)
print res.text

目的其实很简单,就是爬一下链家的内容,但是这样执行之后,返回的结果,所有涉及到中文的内容,全部会变成乱码,比如这样

浅谈Python爬取网页的编码处理

<script type="text/template" id="newAddHouseTpl">
 <div class="newAddHouse">
  自从您上次浏览(<%=time%>)之后,该搜索条件下æ?°å¢žåŠ äº†<%=count%>套房源
  <a href="<%=url%>" class="LOGNEWERSHOUFANGSHOW" <%=logText%>><%=linkText%></a>
  <span class="newHouseRightClose">x</span>
 </div>
</script>

这样的数据拿来可以说毫无作用。

问题分析

这里的问题很明显了,就是文字的编码不正确,导致了乱码。

查看网页的编码

从爬取的目标网页的头来看,网页是用utf-8来编码的。

<meta http-equiv="Content-Type" content="text/html; charset=utf-8">

所以,最终的编码,我们肯定也要用utf-8来处理,也就是说,最终的文本处理,要用utf-8来解码,也就是:decode('utf-8')

文本的编码解码

Python的编码解码的过程是这样的,源文件 ===》 encode(编码方式) ===》decode(解码方式),在很大的程度上,不推荐使用

import sys
reload(sys)
sys.setdefaultencoding('utf8')

这种方式来硬处理文字编码。不过在某些时候不影响的情况下,偷偷懒也不是什么大问题,不过比较建议的就是获取源文件之后,使用encode和decode的方式来处理文本。

回到问题

现在问题最大的是源文件的编码方式,我们正常使用requests的时候,它会自动猜源文件的编码方式,然后转码成Unicode的编码,但是,毕竟是程序,是有可能猜错的,所以如果猜错了,我们就需要手工来指定编码方式。官方文档的描述如下:

When you make a request, Requests makes educated guesses about the encoding of the response based on the HTTP headers. The text encoding guessed by Requests is used when you access r.text. You can find out what encoding Requests is using, and change it, using the r.encoding property.

所以我们需要查看requests返回的编码方式到底是什么?

# ecoding=utf-8
import re
import requests
from bs4 import BeautifulSoup
import sys
reload(sys)
sys.setdefaultencoding('utf8')

url = 'http://3water.com/ershoufang/rs%E6%8B%9B%E5%95%86%E6%9E%9C%E5%B2%AD/'

res = requests.get(url)
print res.encoding

打印的结果如下:

ISO-8859-1

也就是说,源文件使用的是ISO-8859-1来编码。百度一下ISO-8859-1,结果如下:

ISO8859-1,通常叫做Latin-1。Latin-1包括了书写所有西方欧洲语言不可缺少的附加字符。

问题解决

发现了这个东东,问题就很好解决了,只要指定一下编码,就能正确的打出中文了。代码如下:

# ecoding=utf-8
import requests
import sys
reload(sys)
sys.setdefaultencoding('utf8')

url = 'http://3water.com/ershoufang/rs%E6%8B%9B%E5%95%86%E6%9E%9C%E5%B2%AD/'

res = requests.get(url)
res.encoding = ('utf8')

print res.text

打印的结果就很明显,中文都正确的显示出来了。

浅谈Python爬取网页的编码处理

另一种方式是在源文件上做解码和编码,代码如下:

# ecoding=utf-8
import requests
import sys
reload(sys)
sys.setdefaultencoding('utf8')

url = 'http://3water.com/ershoufang/rs%E6%8B%9B%E5%95%86%E6%9E%9C%E5%B2%AD/'

res = requests.get(url)
# res.encoding = ('utf8')

print res.text.encode('ISO-8859-1').decode('utf-8')

另:ISO-8859-1也叫做latin1,使用latin1做解码结果也是正常的。

关于字符的编码,很多东西可以说,想了解的朋友可以参考以下大神的资料。

•《The Absolute Minimum Every Software Developer Absolutely, Positively Must Know About Unicode and Character Sets (No Excuses!)》

以上这篇浅谈Python爬取网页的编码处理就是小编分享给大家的全部内容了,希望能给大家一个参考,也希望大家多多支持三水点靠木。

Python 相关文章推荐
Python文本相似性计算之编辑距离详解
Nov 28 Python
Windows和Linux下Python输出彩色文字的方法教程
May 02 Python
python读取文本中的坐标方法
Oct 14 Python
Python基本数据结构之字典类型dict用法分析
Jun 08 Python
python实现KNN分类算法
Oct 16 Python
使用pandas的box_plot去除异常值
Dec 10 Python
Python面向对象编程基础实例分析
Jan 17 Python
Tensorflow之MNIST CNN实现并保存、加载模型
Jun 17 Python
python温度转换华氏温度实现代码
Dec 06 Python
python编写函数注意事项总结
Mar 29 Python
python基础学习之生成器与文件系统知识总结
May 25 Python
python实现股票历史数据可视化分析案例
Jun 10 Python
Django接受前端数据的几种方法总结
Nov 04 #Python
Python多维/嵌套字典数据无限遍历的实现
Nov 04 #Python
浅谈Python数据类型判断及列表脚本操作
Nov 04 #Python
浅谈python字典多键值及重复键值的使用
Nov 04 #Python
用Python将动态GIF图片倒放播放的方法
Nov 02 #Python
各种Python库安装包下载地址与安装过程详细介绍(Windows版)
Nov 02 #Python
Python实现简单的四则运算计算器
Nov 02 #Python
You might like
星际中一些鲜为人知的详细资料
2020/03/04 星际争霸
PHP中的加密功能
2006/10/09 PHP
使用php4加速网络传输
2006/10/09 PHP
php 连接mysql连接被重置的解决方法
2011/02/15 PHP
如何用PHP实现插入排序?
2013/04/10 PHP
利用PHP+JS实现搜索自动提示(实例)
2013/06/09 PHP
PHP网页游戏学习之Xnova(ogame)源码解读(一)
2014/06/23 PHP
PHP函数eval()介绍和使用示例
2014/08/20 PHP
PHP怎样用正则抓取页面中的网址
2016/08/09 PHP
php+javascript实现的动态显示服务器运行程序进度条功能示例
2017/08/07 PHP
javascript add event remove event
2008/04/07 Javascript
js 阻止子元素响应父元素的onmouseout事件具体实现
2013/12/23 Javascript
js取模(求余数)隔行变色
2014/05/15 Javascript
浅谈JS验证表单文本域输入空格的问题
2017/02/14 Javascript
vue数字类型过滤器的示例代码
2017/09/07 Javascript
浅谈React深度编程之受控组件与非受控组件
2017/12/26 Javascript
Vue2 模板template的四种写法总结
2018/02/23 Javascript
vue实现循环切换动画
2018/10/17 Javascript
Vue动画事件详解及过渡动画实例
2019/02/09 Javascript
JavaScript自定义超时API代码实例
2020/04/30 Javascript
python实现定时同步本机与北京时间的方法
2015/03/24 Python
简单的Python2.7编程初学经验总结
2015/04/01 Python
利用python将图片转换成excel文档格式
2017/12/30 Python
python3判断url链接是否为404的方法
2018/08/10 Python
Django contenttypes 框架详解(小结)
2018/08/13 Python
Python wxPython库Core组件BoxSizer用法示例
2018/09/03 Python
Stuart Weitzman美国官网:美国奢华鞋履品牌
2016/08/18 全球购物
介绍一下linux的文件权限
2014/07/20 面试题
opencv实现图像平移效果
2021/03/24 Python
水产养殖学应届生求职信
2013/09/29 职场文书
医院学雷锋活动策划方案
2014/02/15 职场文书
公司股权转让协议书
2014/04/12 职场文书
设备技术员岗位职责
2015/04/11 职场文书
2015年教学副校长工作总结
2015/07/22 职场文书
《孙子兵法》:欲成大事者,需读懂这些致胜策略
2019/08/23 职场文书
直播实况, OMG破敌三路五十分钟大战神技局摩托车
2022/04/01 DOTA