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。