Python3 中 爬网页 \uxxx 问题
今天上午在没事儿爬一下我自己的博客主页文章练习下。在写入的时候遇到的编码问题,折腾了半天 ,记录一下
import urllib.request import time str1 = urllib.request.urlopen('https://www.cnblogs.com/thelovelybugfly/').read().decode('utf-8') url = ['']*10 i = 0 title = str1.find(r'posttitle2') href = str1.find(r'href', title) html = str1.find(r'.html', title) while title != -1 and href != -1 and html != -1 and i < 40: url[i] = str1[href + 6:html + 5] print(url[i]) title = str1.find(r'posttitle2', html) href = str1.find(r'href', title) html = str1.find(r'.html', title) i = i + 1 else: print("find over") j = 0 while j < 10: pagename = urllib.request.urlopen(url[j]).read().decode('utf-8') open(r'爬虫文件/'+url[j][-13:], 'w+').write(pagename) print("downlanding artcle", url[j]) j = j + 1 time.sleep(2) else: print("download finish")
出现这个问题, 换了各种编码还是没解决, 后来 换成 如下 才解决,
使用python写文件的时候,或者将网络数据流写入到本地文件的时候,大部分情况下会遇到:unicodeencodeerror: ‘gbk’ codec can’t encode character ‘\xa0’ in position … 这个问题。 网络上有很多类似的文件讲述如何解决这个问题,但是无非就是encode,decode相关的,这是导致该问题出现的真正原因吗?不是的。 很多时候,我们使用了decode和encode,试遍了各种编码,utf8,utf-8,gbk,gb2312等等,该有的编码都试遍了,可是编译的时 候仍然出现: unicodeencodeerror: ‘gbk’ codec can’t encode character ‘\xa0’ in position xxx。 崩溃了。
在windows下面编写python脚本,编码问题很严重。
将网络数据流写入文件时时,我们会遇到几个编码:
1: #encoding=’xxx’ 这里(也就是python文件第一行的内容)的编码是指该python脚本文件本身的编码,无关紧要。只要xxx和文件本身的编码相同就行了。 比如notepad++ “格式”菜单里面里可以设置各种编码,这时需要保证该菜单里设置的编码和encoding xxx相同就行了,不同的话会报错
2:网络数据流的编码 比如获取网页,那么网络数据流的编码就是网页的编码。需要使用decode解码成unicode编码。
3:目标文件的编码 要将网络数据流的编码写入到新文件,那么我么需要指定新文件的编码。写文件代码如:
f.write(txt)
,那么txt是一个字符串,它是通过decode解码过的字符串。关键点就要来了:目标文件的编码是导致标题所指问题的罪魁祸首。如果我们打开一个文件:
f = open("out.html","w")
,在windows下面,新文件的默认编码是gbk,这样的话,python解释器会用gbk编码去解析我们的网络数据流txt,然而txt此时已经是decode过的unicode编码,这样的话就会导致解析不了,出现上述问题。 解决的办法就是,改变目标文件的编码:
f = open("out.html","w",encoding='utf-8')
总结:
python 编码真的是一个头疼的问题。