手刃一个小爬虫

第一个爬虫案例

# 爬虫:通过编写程序来获取到互联网的资源

# 百度

# 需求 :用程序模拟浏览器,输入一个网址,从该网址中获取资源或内容

# python搞定以上需求:

这是一个爬取百度的demo

然后点击进去会出现这个

html出现了乱码

修改代码为

结果

原理是什么呢

这是因为网页内容是以一定的编码方式进行传输的,常见的编码方式有UTF-8、GBK等。当你使用mode="wb"以二进制写入模式打开文件,并直接将返回的二进制数据写入文件时,文件中的内容是网页的原始字节数据,没有进行任何编码转换。

而当你使用mode="w"以文本写入模式打开文件,并使用.decode('utf-8')将返回的二进制数据进行UTF-8解码转换为文本后,如果网页内容的编码方式与你指定的解码方式不一致,就会导致乱码的出现。

如果你直接用浏览器打开文件,浏览器会根据自己的默认编码方式来解析文件内容,并不会根据文件头部的编码声明来解码。所以当第二种方式生成的文件中内容的编码方式与浏览器的默认编码方式不一致时,就会导致乱码的显示。

  • 9
    点赞
  • 8
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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