python爬取页面编码格式gb2312中文乱码问题
python小白刚刚学习爬虫,记录一下失败到成功历程~
项目场景:
爬取某事业单位招聘的数据
问题1:
通常遇到乱码问题就是爬取一遍,哪里出现乱码修改哪里。比如乱码出现在标题,那么修改标题部分的代码;
如下:
url = 'http://www.shiyebian.net/fujian/sanming/'
page_text = requests.get(url=url,headers=headers).text
tree = etree.HTML(page_text)
这样输出的结果,标题出现乱码,于是进行对标题部分的内容进行修改。
url = 'http://www.shiyebian.net/fujian/sanming/'
page = requests.get(url=url,headers=headers)
page.encoding = 'gbk'
page_text = page.text
tree = etree.HTML(page_text)
成功显示
问题2:
由于爬取的部分是需要再响应一页面,所以需要爬取其中的文字。百度了好久,各种方案都尝试了还是失败了。
直到意识到波波老师曾经说过,哪里乱码改哪里。
解决办法:
(1)对页面右键—检查页面源码—查看charset:gb2312
(2)将响应网页编码为gb2312
li_response = requests.get(url=li_url,headers=headers)
li_response.encoding = 'gb2312'#页面源码代码
li_response_text = li_response.text
li_tree = etree.HTML(li_response_text)
(3)将输出的文件编码转为utf-8
with open(page_path,'w',encoding='utf-8') as fp:
fp.write(page_data)
fp.close()
print(li_name,li_url,'保存成功')