python爬虫——中文编码

最新推荐文章于 2022-06-02 11:52:39 发布

夕夕老师

最新推荐文章于 2022-06-02 11:52:39 发布

阅读量317

点赞数

文章标签： python 自然语言处理神经网络数据挖掘

本文链接：https://blog.csdn.net/xixi20200/article/details/109669059

版权

编码原理及区别

第一阶段：编码的由来：大家都知道计算机的母语是英语，英语是由26个字母组成的。所以最初的计算机字符编码是通过ASCII来编码的，也是现今最通用的单字节编码系统，使用7位二进制数来表示所有的字母、数字、标点符号及一些特殊控制字符，作为美国编码标准来使用。
第二阶段：由于计算机的不断普及，计算机进入了不同的国家和地区。很快表现出了众多的水土不服的症状。比如：中国人就表示不服，就不能让计算机说中文吗？但是ASCII编码用上浑身解数256个字符也不够中文用啊。
因此后来出现了Unicode编码。Unicode编码通常由两个字节组成，共表示256*256个字符，即所谓的UCS-2。某些生僻的字还会用到四个字节，即UCS-4。Unicode向下兼容ASCII。
第三个阶段：在Unicode中，很快，美国人不高兴了，原本用一个字节就够了，现在却要用两个字节来表示，非常浪费存储空间和传输速度。人们再发挥聪明才智，于是出现了UTF-8编码。主要针对空间浪费的问题。UTF-8从英文字母的一个字节，到中文的通常的三个字节，再到某些生僻字的六个字节。解决了空间浪费的问题，并且兼容老大哥ASCII编码。这样一些老古董软件在UTF-8编码中可以继续工作了。
另外需要注意的是汉字在Unicode编码和UTF-8编码中通常是不同的。
第四个阶段：同样我们祖国也制定了自己的一套标准。那就是GB2312和GBK。但是大多数还是直接用的UTF-8。UTF-8/UTF-16等是对Unicode进行了编码，是其一种实现方式。
另外还有ISO-8859-1，ISO-8859-1是单字节编码，向下兼容ASCII，是许多欧洲国家使用的编码标准。
Unicode是国际通用的编码标准，可以表示全世界的字符，但其字符集也是最复杂、占用空间最大的。开发者可以根据需要进行选择编码方式。

编码与解码

decode：编码
encode：解码
如下图：
编码与解码
可以看出Unicode充当的一个翻译官的角色，（差不多所有的编码方式都可转化为Unicode）

爬取中文百度首页

第一步：

import requests
url=’https://www.baidu.com/’
html=requests.get(url).text
print(html)

输出错误的结果如下图
错误提示
很明显是编码的问题，让我们来看看百度用的什么编码。
百度编码
再看看我们自己用的编码：
python编码
那么问题来了，同样都是utf-8为什么会出现GBK错误呢？

第二步：

这个原因确实弄的我脑壳痛，怎么也找不到原因，各种编码都试过了结果还是不行。后来我想能不能直接输出它的编码方式。于是有了下面的结果。

好家伙！原来你他妈的不是utf-8编码。把我害的好苦啊！
至于为什么是‘ISO-8559-1’编码我个人猜的应该是下载网页的时候解压缩导致的。注意啊是我猜的，我没去看，有空去看看

第三步：

这下好了，应该可以解决了！
编码格式
着实有些尴尬，按道理说应该能够输出正确答案了呀！可现在却什么都没了。于是我又想起了有一个输出格式的，我猜应该是这个原因。
于是我添加了如下代码

import io
sys.stdout=io.TextIOWrapper(sys.stdout.buffer,encoding='utf-8')

编码成功
到这里，这次编码风波终于过去了！

BeautifulSoup库

解决编码问题期间看到别人写的python代码，突然发现一个很好用的包，BeautifulSoup。于是我也装了个完了玩。
将下载下来的百度的源码生成了一个soup对象，于是有了后面的漂亮的格式。
添加代码如下：

from bs4 import BeautifulSoup
#使用ISO-8859-1解码之后的代码
soup = BeautifulSoup(html)
print(soup.prettify())

效果如下：

是不是漂亮多了！
其实BeautifulSoup的功能远不止次，之后的应用过一段时间补上。
到此这篇博客就结束了，这篇博客也是治好了我多年的心病，就以为这个梗弄的我好久没有用过python爬虫了，现在解决了，以后一定会勤加练习。

python学习资料领取看主页简介