一、问题
字符串也是一种数据类型,但是,字符串比较特殊的是还有一个编码问题。(网页上人眼看到的信息都是字符串?)
二、解决方法:编码
最早美国人发明
ASCII将
127个字符编码到计算机,也就是大小写英文字母、数字和一些符号,比如大写字母A
的编码是65
,小写字母z
的编码是122
。但是要处理中文显然一个字节是不够的,至少需要两个字节,而且还不能和ASCII编码冲突,所以,中国制定了
GB2312
编码。类似由日本把日文编到Shift_JIS
里,韩国把韩文编到Euc-kr
里,各国有各国的标准,不可避免地出现冲突,结果就是,在多语言混合的文本中,显示会有乱码。为解决这个问题,Unicode应运而生。Unicode把所有语言都统一到一套编码里。
三、解决方法:统一编码
本着节约精神,又出现了把Unicode编码转化为“可变长编码”的
UTF-8
编码(8-bit Unicode Transformation Format)是一种针对Unicode的可变长度字符编码,又称万国码)。UTF-8编码把一个Unicode字符根据不同的数字大小编码成1-6个字节,常用的英文字母被编码成1个字节,汉字通常是3个字节,只有很生僻的字符才会被编码成4-6个字节。如果你要传输的文本包含大量英文字符,用UTF-8编码就能节省空间:
四、归纳关系
总结一下现在计算机系统通用的字符编码工作方式:
在计算机内存中,使用Unicode编码,当需要保存到硬盘或者需要传输的时候,就转换为UTF-8编码。
1、用记事本编辑的时候,从文件读取的UTF-8字符被转换为Unicode字符到内存里,编辑完成后,保存的时候再把Unicode转换为UTF-8保存到文件:
2、浏览网页的时候,服务器会把动态生成的Unicode内容转换为UTF-8再传输到浏览器:
所以你看到很多网页的源码上会有类似
<meta charset="UTF-8" />
的信息,表示该网页正是用的UTF-8编码。
以上引自廖雪峰大神关于编码解释 https://www.liaoxuefeng.com/wiki/1016959663602400/1017075323632896
四、网页编码
html = requests.get(page, headers=headers, timeout = 0.1)
html.encoding = 'utf-8'
soup = BeautifulSoup(html.text, 'html.parser')
这里encoding取用‘utf-8’,确保下面html.text中文可以正确显示(应该是所有的都可以显示吧?)
如果不指定‘utf-8’呢?在程序过程中打印中间结果可能有乱码。
当我们写入文件的时候,指定utf-8
with open(csv_file_name, 'w', encoding = 'utf-8', newline='') as csv_obj:
五、彻底搞定编码关系