今天在用python爬某51网址时,用以下代码获取指定网址的数据
无论编码格式是gbk、utf-8、或者gb18030都会报错:
“gbk/utf-8”编解码器无法解码位置xx处的字节xx:非法多字节序列
对于这种问题考虑不是编码的问题,查看一下网页的数据包:
可以看到 Content-Encoding 的类型为gzip,对比一个可以正常爬取的网址:
可以发现一个是gzip一个是br。
那么问题就出现了,第一个网址返回的数据是经过压缩的,也就是说我们要先解压,不然就会导致数据编码溢出的问题。导入gzip包,添加以下代码
def ungzip(data):
try:
data=gzip.decompress(data)
except:
pass
return data
然后在html = response.read().decode("utf-8")处用调用函数
html = ungzip(response.read().decode("gbk"))
顺便说一下该网址进行了修改,现在的数据在window.__SEARCH_RESULT__ 中,网页源码并不会像以前一样直接显示数据