第一个程序
# ecoding=utf-8
import requests
url = 'http://sz.lianjia.com/ershoufang/rs%E6%8B%9B%E5%95%86%E6%9E%9C%E5%B2%AD/'
res = requests.get(url)
print (res.text)
上面就是一个爬虫最简单的程序,但是返回的结果,所有涉及到中文的内容,全部会变成乱码,比如:
<script type="text/template" id="newAddHouseTpl">
<div class="newAddHouse">
自从您上次æµè§ˆï¼ˆ<%=time%>)之åŽï¼Œè¯¥æœç´¢æ¡ä»¶ä¸‹æ–°å¢žåŠ 了<%=count%>套房æº
<a href="<%=url%>" class="LOGNEWERSHOUFANGSHOW" <%=logText%>><%=linkText%></a>
<span class="newHouseRightClose">x</span>
</div>
</script>
问题分析
很典型的编码问题,说白了,编码方式和解码方式不一致,文字编码不正确导致了错误。在python2.7中默认的编码方式是:utf-8 WIN是GBK,python3.6默认的编码方式是:unicode
查看了下输出网页的编码方式:
# ecoding=utf-8
import requests
url = 'http://sz.lianjia.com/ershoufang/rs%E6%8B%9B%E5%95%86%E6%9E%9C%E5%B2%AD/'
res = requests.get(url)
print (res.encoding)
发现输出的是ISO8859-1.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。其中,ISO8859-1是一个8bit编码格式,不能表示全球字符,unicode可以。 utf-8变长编码(中文3个字节,英文1个字节) unicode固定2个字节。ISO8859是程序里面使用的编码方式和原始网页的编码方式不一致,导致中文字符产生乱码的情况。
问题解决
既然我们已经知道问题出现的原因是什么,那么接下来就是解决问题。
首先我们修改编码方式进行尝试,代码如下:
# ecoding=utf-8
import requests
url = 'http://sz.lianjia.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)
结果就显示正确了,中文正确显示。
补充一点:
按照下面的写法也可以正确显示,原因是res.content获得的是unicode的编码格式,res.text是按照推荐的编码方式进行编码后的结果,直接对res.content按照网页的编码方式进行解码,也可以实现正确解码中文字符的目的。
# ecoding=utf-8
import requests
url = 'http://sz.lianjia.com/ershoufang/rs%E6%8B%9B%E5%95%86%E6%9E%9C%E5%B2%AD/'
res = requests.get(url)
print (res.content.decode('utf-8'))