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。