Python 百度百科爬虫结果乱码问题

V2EX = way to explore

V2EX 是一个关于分享和探索的地方

现在注册

已注册用户请登录

推荐学习书目

Learn Python the Hard Way

Python Sites

PyPI - Python Package Index

http://diveintopython.org/toc/index.html

Pocoo

值得关注的项目

PyPy

Celery

Jinja2

Read the Docs

gevent

pyenv

virtualenv

Sentry

Shovel

Pyflakes

pytest

Python 编程

pep8 Checker

Styles

PEP 8

Google Python Style Guide

Code Style from The Hitchhiker's Guide

这是一个创建于 2452 天前的主题，其中的信息可能已经有所发展或是发生改变。

楼主 python 学的不是很深，仿照网上实例，写了个爬虫结果输出的好多乱码，也不是很清楚，target="_blank"后面这类属于什么编码，希望有了解的朋友指点下，谢谢：）

乱码

爬虫

Python

楼主

13 条回复 2019-03-20 16:30:37 +08:00

xiri

2019-03-20 15:14:19 +08:00 via Android

额，一般不是全转 utf-8 就可以了吗？

jianzhao123

2019-03-20 15:18:01 +08:00

@xiri 貌似不行啊，Python3.X 源码文件默认使用 utf-8 编码的

codechaser

2019-03-20 15:19:26 +08:00 via Android

@jianzhao123 至少把相关代码贴一下吧？看这个好像就是解码的问题

holajamc

2019-03-20 15:23:59 +08:00

In [1]: import requests

In [2]: url = 'https://baike.baidu.com/item/Python/407313'

In [3]: headers = {'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_14_3) AppleWebK
...: it/537.36 (KHTML, like Gecko) Chrome/73.0.3683.75 Safari/537.36'}

In [4]: r = requests.get(url=url, headers=headers)

In [5]: '计算机程序设计语言' in r.text
Out[5]: False

In [6]: r.encoding = 'utf8'

In [7]: '计算机程序设计语言' in r.text
Out[7]: True

ipwx

2019-03-20 15:24:02 +08:00

<!DOCTYPE html>

<html>

<head>
<meta charset="UTF-8">
<meta http-equiv="X-UA-Compatible" cOntent="IE=Edge" />
<meta name="referrer" cOntent="always" />
<meta name="description" cOntent="百度百科是一部内容开放、自由的网络百科全书，旨在创造一个涵盖所有领域知识，服务所有互联网用户的中文知识性百科全书。在这里你可以参与词条编辑，分享贡献你的知识。">
<title>百度百科_全球最大中文百科全书</title>
<link rel="shortcut icon" href="/favicon.ico" type="image/x-icon" />
<link rel="icon" sizes="any" mask href="//www.baidu.com/img/baidu.svg">
...

----

所以是 UTF-8。楼主的问题不在于不会 Python，而是不会 HTML。

xiri

2019-03-20 15:25:43 +08:00 via Android

@jianzhao123 python 的源码文件用 utf-8 跟这个没关系，你抓内容都时候要解码成 utf-8。
比如你用 requests 请求的话，要这样转一下码：
'''
req = requests.get(url = http........)
req.encoding = 'utf-8'
'''

jianzhao123

2019-03-20 15:27:55 +08:00

@ipwx 楼主不是科班出身对 HTML 不是太了解，请问怎么操作呀，实在是不清楚

jianzhao123

2019-03-20 15:29:55 +08:00

@xiri 道行太浅，多谢指点，OK 了

holajamc

2019-03-20 15:31:37 +08:00

@holajamc 流程大概是这样的，HTTP 的 response 合理的规范会在 Content-Type 中附带 chatset 信息，告知客户端服务端会使用什么样子的编码，比如你可以试试访问 github，看一看 response 的 headers 部分
但是这种设想都是十分美好的事情，比如百度百科的 Content-Type 仅仅只有页面类型，因此 requests 会使用 iso-8859
当然了也可以使用 requests 进行编码推测，这是一件开销很大的事情所以不要尝试~

holajamc

2019-03-20 15:32:44 +08:00

@holajamc emmm chatset -> charset

vexetron

2019-03-20 15:32:50 +08:00 via iPhone

@jianzhao123 这和科班没关系

jianzhao123

2019-03-20 15:36:40 +08:00

@holajamc 明白了，谢谢

ipwx

2019-03-20 16:30:37 +08:00

@jianzhao123 注意这行：

<meta charset="UTF-8">