今天将网易首页作为demo爬下来
1.用python自带的模块 urllib2作为爬去的工具
2.用beautifulSoup作为解析爬去页面的工具
python在书写上确实秒杀java的,几句话就能解析掉整个网页,而且BeautifuSoup能够补全缺失的HTML标签,赞一个。
但是,中文乱码的事情还是出现了,我看了下网易用的gb2312的编码集。
content = "我是网易GB2312“、
contentUnicode = content.decode("gb2312") #将content这个编码集从gb2312转到了unicode编码集中
contentGBK = contentUnicode.encode("gbk") #将contentUnicode编码集从unicode转到了GBK
这个两个方法是从用的,网上也有很多的资料。
我也转过去了,但是遇到的问题
UnicodeDecodeError: 'gb2312' codec can't decode bytes in position 44844-44845: illegal multibyte sequence
搞了一个早上都没有解决掉这个问题。真是痛苦啊。。。,WHY WHY WHY????