python爬虫过程中出现的问题汇总

1.出现 UnicodeDecodeError: 'ascii' codec can't decode byte 0xe5 in position 7: ordinal not in range(128)

   原因：混淆了 python2 里边的 str 和 unicode 数据类型

   解决办法：在出错的脚本前加上以下代码：

   import sys

   reload(sys)

   sys.setdefaultencoding('utf8')

  或者是：

   import sys

   if sys.getdefaultencoding()！='utf-8':

       reload(sys)

       sys.setdefaultendcoding('utf-8')

2.出现 SyntaxError: Non-ASCII character '\xe8' in file

   原因：Python的默认编码文件是用的ASCII码

   解决：只要在文件开头加入#-*- coding: UTF-8 -*-或者 #coding=utf-8就可以了

3.利用githup上的爬虫爬取裁判文书网时，在文书id的解密过程中出现了如下问题

   

  异常产生于：

def decrypt_id(RunEval, id):
    """
    docid解密
    """
    js = ctx2.call("GetJs", RunEval)
    print js
    js_objs = js.split(";;")
    js1 = js_objs[0] + ';'
    js2 = re.findall(r"_\[_\]\[_\]\((.*?)\)\(\);", js_objs[1])[0]
    key = ctx2.call("EvalKey", js1, js2)
    key = re.findall(r"\"([0-9a-z]{32})\"", key)[0]
    docid = ctx2.call("DecryptDocID", key, id)
    return docid

 

 

 原因是缺少node.js环境，需要安装node.js，安装教程参照：https://www.cnblogs.com/zhouyu2017/p/6485265.html

 注意：安装node.js后还需要更换cnpm的镜像（执行下面这条语句）

 npm install -g cnpm --registry=https://registry.npm.taobao.org

 爬虫项目连接：https://github.com/sixs/wenshu_spider

 文书id解密过程： 

 首先，由获得的runEval得到下图：

 

 

  提取com.str._KEY的值，传入到js文件中的com.str._KEY

  之后，对加密的id进行解密

  

var unzipid=unzip(id);
var realid=com.str.Decrypt(unzipid);
return realid;

 最终的返回值即文书id明文。