Python获取爬虫数据， r.text 与 r.content 的区别

最新推荐文章于 2024-04-20 15:12:20 发布

weixin_30340775

最新推荐文章于 2024-04-20 15:12:20 发布

阅读量8.2k

点赞数 16

文章标签： python 爬虫 xhtml

原文链接：http://www.cnblogs.com/wyy1480/p/11516693.html

版权

1.简单粗暴来讲：

text 返回的是unicode 型的数据，一般是在网页的header中定义的编码形式。

content返回的是bytes，二级制型的数据。

如果想要提取文本就用text

但是如果你想要提取图片、文件，就要用到content

2.详细一点来讲：

用了request.get方法后，返回一个response对象，这个对象里面存的是服务器返回的所有信息，包括响应头，响应状态码等。

其中返回的网页部分会存在.content和.text两个对象中。如果需要获得这些网页原始数据，我们可以通过r.text 或 r.content来获取数据。

.text 存的是.content 编码后的字符串
.content中间存的是字节码

一般来说 .text直接用比较方便，返回的是字符串，但是有时候会解析不正常，导致返回的是一堆乱码。这时需要用.content.decode('utf-8')，使其正常显示。

总的来说.text是现成的字符串，.content还要编码，但是.text不是所有时候显示都正常（需要用.content.decode()进行手动编码）

3.举栗子

3.1 例一 r.text

输入：

import requests
response = requests.get("http://m.news.cctv.com/2019/09/12/ARTI80tyFZxlGernTG2Wljf7190912.shtml")
print(response.text)
print("Finish!")

输出结果：

   <!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Transitional//EN" "http://www.w3.org/TR/xhtml1/DTD/xhtml1-transitional.dtd">
<html xmlns="http://www.w3.org/1999/xhtml">
<head>
<meta http-equiv="Content-Type" content="text/html; charset=utf-8" />
<meta name="filetype" content="1"> 
<meta name="publishedtype" content="1"> 
<meta name="pagetype" content="1"> 

<meta name="author" content="å¼ æ§å½¬"> 
<meta name="source" content="å¤®è§æ°é»å®¢æ·ç«¯"> 
<title>æ¶æ¿æ°é»ç¼ä¸¨åºç¥æ°ä¸å½æç«70å¨å¹´åå¤ï¼ä¹ è¿å¹³ä¸ºä½è§å¯è¿ä¸ªå°æ¹ï¼_å¤®è§æ°é»å®¢æ·ç«¯_å¤®è§ç½(cctv.com)</title>    
    var commentTitle = "æ¶æ¿æ°é»ç¼ä¸¨åºç¥æ°ä¸å½æç«70å¨å¹´åå¤ï¼ä¹ è¿å¹³ä¸ºä½è§å¯è¿ä¸ªå°æ¹ï¼"; //è¯è®ºæ é¢
    /* è¯è®ºå¯¹è±¡ID 20ä½ä»¥åçåç¬¦ä¸² æ¯ä¸ªè¢«è¯è®ºå¯¹è±¡ä¸å20120420------ */（此处省略一万字）  </script>
<!--Gridsum tracking code end. -->
</body>
</html>
Finish!

明显看到有乱码出现，在例三解决。

3.2 例二 r.content

输入：

import requests
response = requests.get("http://m.news.cctv.com/2019/09/12/ARTI80tyFZxlGernTG2Wljf7190912.shtml")
print(response.content)
print("Finish!")

输出结果：

b'   <!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Transitional//EN" "http://www.w3.org/TR/xhtml1/DTD/xhtml1-transitional.dtd">\r\n<html xmlns="http://www.w3.org/1999/xhtml">\r\n<head>\r\n<meta http-equiv="Content-Type" content="text/html; charset=utf-8" />\r\n<meta name="filetype" content="1"> \r\n<meta name="publishedtype" content="1"> \r\n<meta name="pagetype" content="1"> \r\n\r\n<meta name="author" content="\xe5\xbc\xa0\xe6\x85\xa7\xe5\xbd\xac"> \r\n<meta name="source" content="\xe5\xa4\xae\xe8\xa7\x86\xe6\x96\xb0\xe9\x97\xbb\xe5\xae\xa2\xe6\x88\xb7\xe7\xab\xaf"> \r\n\r\n\r\n<title>\xe6\x97\xb6\xe6\x94\xbf\xe6\x96\xb0\xe9\x97\xbb\xe7\x9c\xbc\xe4\xb8\xa8\xe5\xba\x86\xe7\xa5\x9d\xe6\x96\xb0\xe4\xb8\xad\xe5\x9b\xbd\xe6\x88\x90\xe7\xab（此处省略一万字）ript type=\'text/javascript\'>\r\n    (function () {\r\nvar s = document.createElement(\'script\');\r\ns.type = \'text/javascript\';\r\ns.async = true;\r\ns.src = (location.protocol == \'https:\' ?\'https://ssl.\' : \'http://static.\') + \'gridsumdissector.com/js/Clients/GWD-002757-56B3A5/gs.js\';\r\nvar firstScript = document.getElementsByTagName(\'script\')[0];\r\nfirstScript.parentNode.insertBefore(s, firstScript);\r\n    })();\r\n</script>\r\n<!--Gridsum tracking code end. -->\r\n</body>\r\n</html>'
Finish!

与r.text相比，多了b开头，这是bytes的标志哟（字节字符串），要用的话还要编码一下。

3.3 例三 r.text出现乱码，怎么解决（例一作乱码示范）

输入：

import requests
response = requests.get("http://m.news.cctv.com/2019/09/12/ARTI80tyFZxlGernTG2Wljf7190912.shtml")
print(response.content.decode('utf-8'))
print("Finish!")

输出结果：

   <!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Transitional//EN" "http://www.w3.org/TR/xhtml1/DTD/xhtml1-transitional.dtd">
<html xmlns="http://www.w3.org/1999/xhtml">
<head>
<meta http-equiv="Content-Type" content="text/html; charset=utf-8" />
<meta name="filetype" content="1"> 
<meta name="publishedtype" content="1"> 
<meta name="pagetype" content="1"> 

<meta name="author" content="张慧彬"> 
<meta name="source" content="央视新闻客户端"> 


<title>时政新闻眼丨庆祝新中国成立70周年前夕，xxx为何视察这个地方？_央视新闻客户端_央视网(cctv.com)</title>
<meta name="catalogs" content="PAGE137(此处省略一万字）
</script>
<!--Gridsum tracking code end. -->
</body>
</html>
Finish!

与例一对比，这里用了.content.decode('utf-8')后就没有乱码啦，get到了吗？

3.4 例四 r.content() 打开图片，写入相关数据

输入：

import requests
response = requests.get("http://b-ssl.duitang.com/uploads/item/201707/20/20170720111208_EHX2K.jpeg")
with open("love_img.jpeg","wb") as f: 
     f.write(response.content)
print(response.content)
print("Finish!")

输出结果：

b'\xff\xd8\xff\xe0\x00\x10JFIF\x00\x01\x01\x00\x00\x01\x00\x01\x00\x00\xff\xdb\x00C\x00\x03\x02\x02\x03\x02\x02\x03\x03\x03\x03\x04\x03\x03\x04\x05\x08\x05\x05\x04\x04\x05\n\x0（省略一万字）\xdf\x93\xff\x00Cj(\xa6#\xa7P6t\xedQ\x1e\xa6\x8a(\x01(\xa2\x8a\x00(\xa2\x8a\x00(\xa2\x8a\x00(\xa2\x8a\x00(\xa2\x8a\x00(\xa2\x8a\x00(\xa2\x8a\x00(\xa2\x8a\x00(\xa2\x8a\x00(\xa2\x8a\x00(\xa2\x8a\x00(\xa2\x8a\x00(\xa2\x8a\x00(\xa2\x8a\x00\xff\xd9'
Finish!

3.4 例四用r.text() 看图片，将出现乱乱乱码

输入：

import requests
response = requests.get("http://b-ssl.duitang.com/uploads/item/201707/20/20170720111208_EHX2K.jpeg")
print(response.text)
print("Finish!")

输出结果：

�����JFIF���������C�


�����"�������������� 
�������}�!1AQa"q2���#B��R��$3br� 
%&'()*456789:CDEFGHIJSTUVWXYZcdefghijstuvwxyz�����������������������������������������������������������������������������������   
������w�!1AQaq"2�B����   #3R�br�（此处省略一万字）
?ߓ��Cj(�#�P6t�Q��((���(���(���(���(���(���(���(���(���(���(���(���(���(�����
Finish!

好的，你get到了吗？
又是一年中秋，月是故乡明，祝大家中秋快乐，家庭幸福。

转载于:https://www.cnblogs.com/wyy1480/p/11516693.html

weixin_30340775

关注

16
点赞
踩
64

收藏

觉得还不错? 一键收藏
0
评论
Python获取爬虫数据， r.text 与 r.content 的区别

1.简单粗暴来讲：text 返回的是unicode 型的数据，一般是在网页的header中定义的编码形式。content返回的是bytes，二级制型的数据。如果想要提取文本就用text但是如果你想要提取图片、文件，就要用到content2.详细一点来讲：用了request.get方法后，返回一个response对象，这个对象里面存的是服务器返回的所有信息，包括响应头，响应状态...
复制链接

扫一扫