爬虫—解决乱码问题

1. 对响应数据进行修改编码为utf-8

2. 使用iso

#爬取图片:http://pic.netbian.com/4kdongwu/
url = 'http://pic.netbian.com/4kdongwu/'

response = requests.get(url=url,headers=headers)
#将响应数据的编码手动设定成了utf-8
# response.encoding = 'utf-8'

page_text = response.text
tree = etree.HTML(page_text)
li_list = tree.xpath('//div[@class="slist"]/ul/li')

for li in li_list:
    img_name = li.xpath('./a/img/@alt')[0]+'.jpg'

    #具有较强通用性乱码处理的方法
    img_name = img_name.encode('iso-8859-1').decode('gbk')
    img_src = 'http://pic.netbian.com'+li.xpath('./a/img/@src')[0]
    request.urlretrieve(img_src,img_name)
    print(img_name,'下载完毕')

 

一个gecco爬虫框架,简单易用,使用jquery风格的选择器抽取元素 支持爬取规则的动态配置和加载 支持页面中的异步ajax请求 支持页面中的javascript变量抽取 利用Redis实现分布式抓取,参考gecco-redis 支持结合Spring开发业务逻辑,参考gecco-spring 支持htmlunit扩展,参考gecco-htmlunit 支持插件扩展机制 支持下载时UserAgent随机选取 支持下载代理服务器随机选取 Gecco是一款用java语言开发的轻量化的易用的网络爬虫,不同于Nutch这样的面向搜索引擎的通用爬虫,Gecco是面向主题的爬虫。 通用爬虫一般关注三个主要的问题:下载、排序、索引。 主题爬虫一般关注的是:下载、内容抽取、灵活的业务逻辑处理。 Gecco的目标是提供一个完善的 » 二、一分钟你就可以写一个简单爬虫 示例代码 这里用抓取gecco这个项目的首页为例。我们希望得到项目的作者名称,项目名称,项目的star和fork数量,以及项目的介绍。如果你稍有java基础,会写jquery的css selector我相信下面的代码我不需要解释你也能轻松的看明白。 @Gecco(matc » 三、软件总体结构 基本构件介绍 GeccoEngine GeccoEngine是爬虫引擎,每个爬虫引擎最好是一个独立进程,在分布式爬虫场景下,建议每台爬虫服务器(物理机或者虚机)运行一个GeccoEngine。爬虫引擎包括主要Scheduler、Downloader、Spider、SpiderB » 四、GeccoEngine Gecco如何运行 Gecco的初始化和启动通过GeccoEngine完成,GeccoEngine主要负责初始化配置、开始请求的配置和启动爬虫运行,最基本的启动方法: GeccoEngine.create() .classpath("com.geccocrawler.ge » 五、从下载说起 一、下载引擎 爬虫最基本的能力就是发起http请求,下载网页,gecco默认采用httpclient4作为下载引擎。通过实现Downloader接口可以自定义自己的下载引擎,在启动GeccoEngine时需要设置自己的下载引擎。下面的代码不是使用默认的httpclient作为下载 » 六、抽取页面内容 gecco的内容抽取都是直接映射到java bean的属性中,利用注解可以方便的注入页面中的各种信息包括html页面内容、Ajax请求、javascript变量、request信息等 一、Html页面内容抽取 jsoup语法介绍 Selector选择器概述 tagname: » 七、业务逻辑处理 至此页面内容已经被gecco转换为一个普通的javabean。剩下的工作就是将javabean进一步清洗然后针对特定的业务逻辑进行持久化等处理。 一、实现pipeline接口 gecco采用管道过滤器模式灵活的实现业务逻辑处理,首先实现一个特定的管道过滤器,如: @Pipelin » 八、爬虫的监控 爬虫为什么要监控 gecco是一个十分简单易用的java开源爬虫框架,同时也一个款拥有很好扩展性的框架,目前已经有: 结合spring的插件gecco-spring 结合htmlunit的插件gecco-htmlunit 结合reids的插件gecco-reids 在开发爬虫时, » 九、稳定性测试 最近对开源的java爬虫Gecco做了一个稳定性测试,测试环境:一台爬虫+web应用服务器,一台mongodb服务器。服务器配置很low,两台都是阿里云最低端的主机,1核+512内存。 单线程测试场景 爬虫采用单线程,测试时间3×24小时,测试期间系统无异常,jvm内存稳定。测试 十、Gecco爬虫框架的线程和队列模型
当爬取网页内容时,有时可能会遇到乱码问题。下面是一些解决乱码问题的常见方法: 1. 确定网页编码:首先,需要确定网页的正确编码方式。可以查看网页的HTTP响应头中的Content-Type字段,或者通过网页源代码中的meta标签来获取。常见的编码方式有UTF-8、GBK、ISO-8859-1等。 2. 指定正确的编码方式:在使用Python爬虫时,可以通过指定正确的编码方式来解决乱码问题。例如,可以使用requests库发送网络请求时,通过设置`response.encoding`属性来指定编码方式,如`response.encoding = 'UTF-8'`。 3. 使用合适的解码方式:如果指定了正确的编码方式仍然无法解决乱码问题,可以尝试使用其他解码方式进行解码。可以使用Python的内置字符串方法`decode()`或者第三方库(如chardet)来进行解码。 4. 处理特殊字符:有时候,网页中可能包含一些特殊字符,如非法字符或HTML实体编码。可以使用第三方库(如html.parser)来对这些特殊字符进行处理,将它们转换为正常的文本。 5. 使用Unicode进行处理:如果以上方法仍然无法解决乱码问题,可以尝试将乱码文本转换为Unicode编码,并进行适当的处理。可以使用Python的`encode()`和`decode()`方法来进行编码和解码。 需要注意的是,乱码问题解决方法因具体情况而异,可能需要根据实际情况进行调试和尝试不同的解决方案。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值