python爬虫的数据如何解决乱码_写爬虫时如何解决网页乱码问题

实战讲解，文章较长，对爬虫比较熟悉的浏览翻看章节 2.3 获取新闻文本内容。

写爬虫时经常对网址发起请求，结果返回的html数据除了标签能看懂，其他的全部是乱码。大家如果对爬虫感兴趣，请耐心阅读本文，我们就以百度风雨榜爬虫为例学习下乱码处理问题。

http://top.baidu.com/buzz?b=1

百度风云榜一共有50个关键词，我们先任选其中一个打开看看。

一、实验目的

我们的目的是chardect库学会处理网络响应数据的乱码问题，结合具体爬虫实战讲解。

二、代码实战

2.1 定位关键词及其链接

F12键盘打开开发者工具，我们定位关键词及其对应的html标签。在这里我们使用pyquery库定位 class属性为'keyword'的td。

#百度风云榜页面网址(含有50个热门新闻的关键词)

fengyunbang_url = 'http://top.baidu.com/buzz?b=1'

resp = requests.get(fengyunbang_url)

#从html文件中解析出 事件字段和 网址字段

doc = PyQuery(resp.text)

for item in doc.items('.keyword'):

keyword = item('a').text().split(' ')[0]

keyword_link=item('a').attr.href

print(keyword,keyword_link)

运行，结果keyword全部为乱码，没有一点中文的痕迹。

这就是我们今天要克服的问题-html编码问题。

遇到这种问题问题，我们可能会先在html标签中查找charset字符集。一般charset值有utf-8、gbk、gb2312、ascii等。

再次运行,汉字正常显示。

2.2 定位搜索页面新闻链接

上面我们获取到了关键词及其链接，浏览器点击“46年吃3万个汉堡”对应的链接，跳转到 百度搜索页，如下图。

我们想获取新闻内容，而要获取新闻内容，我们就要知道新闻对应的链接。首先我们要定位,如下图。这里我们使用另外一种方式定位链接-正则表达式。

def get_keywords_news_links(keyword_link):

"""

访问关键词百度网址，得到相关新闻的link

:param keyword_link:

:return:

"""

headers = {'User-Agent': '你的user-agent'}

resp = requests.get(keyword_link, headers=headers)

bsObj = BeautifulSoup(resp.text, 'html.parser')

news_items = bsObj.find_all('div', {'class': 'result c-container '})

news_links = []

for item in news_items:

links = re.findall('href="(.*?)"', str(item))

news_links.extend(links)

#防止链接重复

news_links = set(news_links)

return news_links

但是后来发现有的链接是无法访问的，比如运行中居然抽取出含有http://cache.baiducontent***这种的网页，经过测试，只要剔除掉这种链接，剩下的都为有效链接。

2.3 获取新闻文本内容

有了上文获取到的链接，我们写个简单的代码获取文本内容。由于获取到的网址来源成百上千的网站，如果要精确获取新闻内容，需要对每一个网站一对一的进行定位。这样太麻烦，为了快速方便，我们使用正则匹配出所有的中文内容。

def get_news_content(link):

"""

根据新闻网址，获取新闻数据

:return: 新闻内容

"""

resp = requests.get(link)

#最终只有汉字保留。

news_text = ''.join(re.findall('[\u4e00-\u9fa5]+', resp.text))

return news_text

但是运行过程中，经常返回空。说明正则匹配中文时候匹配不到。很可能的原因是页面中没有中文，但是我们检测了这些页面都是有中文的，那么很有可能是因为页面乱码，导致正则[\u4e00-\u9fa5]+无法匹配到中文。经过检测，真的是乱码。解决办法resp.encoding='编码'。但是编码是什么值呢？这里我用新的方法，chardect库检测二进制数据中采用的编码方式。

def get_news_content(link):

"""

根据新闻网址，获取新闻数据

:return: 新闻内容

"""

resp = requests.get(link)

news_text = ''.join(re.findall('[\u4e00-\u9fa5]+', resp.text))

#网页乱码，导致news_text为空

if not news_text:

#根据二进制数据检测html的编码。

#resp.content获取html二进制数据

chaset = chardet.detect(resp.content)['encoding']

#解决编码问题

resp.encoding = chaset

news_text = ''.join(re.findall('[\u4e00-\u9fa5]+', resp.text))

return news_text

return news_text

2.4 编写爬虫主函数

编写爬虫主函数，将数据保存到csv中。

#主函数，访问并保存所有的新闻数据

def FetchAndSave():

#百度风云榜页面网址(含有50个热门新闻的关键词)

fengyunbang_url = 'http://top.baidu.com/buzz?b=1'

resp=requests.get(fengyunbang_url)

resp.encoding='gb2312'

#新建excel文件保存数据。

csvf = open('data.csv', 'a+', encoding='gbk', newline='')

writer = csv.writer(csvf)

writer.writerow(('news_content', 'keyword'))

#从heml文件中解析出 事件字段和 网址字段

doc = PyQuery(resp.text)

for itm in doc.items('.keyword'):

keyword = itm('a').text().split(' ')[0]

keyword_link = itm('a').attr.href

news_links = get_keywords_news_links(keyword_link)

for news_link in news_links:

try:

content = get_news_content(news_link)

#防止新闻内容为空的写入csv中

if content:

writer.writerow((content, keyword))

except:

print(news_link)

#运行爬虫

FetchAndSave()

运行爬虫，采集了50个关键词共388篇新闻内容。

数据采集

文本处理分析

数据结构

杂文

打赏还可提问哦！

如果你有什么问题，也可以扫码提问。大邓知无不言，言无不尽。