爬虫部分解码异常
response.content.decode() # 默认使用 utf-8 出现解码异常
以下是设计的通用解码
通过 text 获取编码
# 通过 text 获取编码 import requests from lxml import etree def public_decode(): headers = { 'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/78.0.3904.108 Safari/537.36' } response = requests.get('https://blog.csdn.net/a13951206104', headers=headers) html = etree.HTML(response.text) # response.text 能自动获取编码, 大多乱码 _charset = html.xpath('//@charset') or [] if _charset: encode_content = response.content.decode(_charset[0].strip().lower(), errors='replace') # 如果设置为replace,则会用?取代非法字符; return {'response_text': encode_content, "response_obj": response} for _charset_ in ['utf-8', 'gbk', 'gb2312'] # 国内主要这3种: if '�' not in response.content.decode(_charset_, errors='replace'): return {'response_text': response.content.decode(_charset_, errors='replace'), "response_obj": response} else: # 默认还得是 utf-8 return {'response_text': response.content.decode('utf-8', errors='replace'), "response_obj": response}
通过数据 来解编码(推荐)
def public_decode(response): headers = { 'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/78.0.3904.108 Safari/537.36' } response = requests.get('https://blog.csdn.net/a13951206104', headers=headers) html = etree.HTML(response.text) # 不希望抓下来的数据中有非法字符 item = dict() result = None for _charset_ in ['utf-8', 'gbk', 'gb2312']: if response: result = response.content.decode(_charset_, errors='replace') item['content'] = html.xpath('//*[@id="content"]') if '�' not in result['content'].strip(): result =response.content.decode(_charset_, errors='replace') break if not result: # 默认 utf-8 result = response.content.decode(_charset_, errors='replace')
errors=‘replace' 使解码不报异常, 然后把几个常用的编码一个个试下, 最后要看落下来的数据, 所以最好拿数据 去获取合适的编码
以上就是本文的全部内容,希望对大家的学习有所帮助,也希望大家多多支持亿速云。
免责声明:本站发布的内容(图片、视频和文字)以原创、转载和分享为主,文章观点不代表本网站立场,如果涉及侵权请联系站长邮箱:is@yisu.com进行举报,并提供相关证据,一经查实,将立刻删除涉嫌侵权内容。