![](/img/trans.png)
[英]UnicodeEncodeError: Scraping data using Python and beautifulsoup4
[英]UnicodeEncodeError in Python 3 and BeautifulSoup4
运行代码时,出现此错误
UnicodeEncodeError:'ascii'编解码器无法在位置71编码字符'\\ u0303':序数不在范围内(128)
这是我的全部代码,
from urllib.request import urlopen as uReq
from urllib.request import urlretrieve as uRet
from bs4 import BeautifulSoup as soup
import urllib
for x in range(143, 608):
myUrl = "example.com/" + str(x)
try:
uClient = uReq(myUrl)
page_html = uClient.read()
uClient.close()
page_soup = soup(page_html, "html.parser")
container = page_soup.findAll("div", {"id": "videoPostContent"})
img_container = container[0].findAll("img")
images = img_container[0].findAll("img")
imgCounter = 0
if len(images) == "":
for image in images:
print('Downloading image from ' + image['src'] + '...')
imgCounter += 1
uRet(image['src'], 'pictures/' + str(x) + '.jpg')
else:
for image in img_container:
print('Downloading image from ' + image['src'] + '...')
imgCounter += 1
uRet(image['src'], 'pictures/' + str(x) + '_' + str(imgCounter) + '.jpg')
except urllib.error.HTTPError:
continue
尝试过的解决方案:
我尝试将.encode/decode('utf-8')
和.text.encode/decode('utf-8')
到page_soup
但它给出了此错误。
AttributeError:'str'/'bytes'对象没有属性'findAll'或
图像src网址中至少有一个包含非ASCII字符,而urlretrieve
无法处理它们。
>>> url = 'http://example.com/' + '\u0303'
>>> urlretrieve(url)
Traceback (most recent call last):
File "<stdin>", line 1, in <module>
...
UnicodeEncodeError: 'ascii' codec can't encode character '\u0303' in position 5: ordinal not in range(128)
您可以尝试这些方法之一来解决此问题。
假定这些url有效,然后使用具有更好unicode处理能力的库(如request)检索它们。
假设url是有效的,但是包含unicode字符,在传递给urlretrieve
之前必须对其进行转义。 这将需要将url拆分为方案,域,路径等,并引用路径和任何查询参数,然后进行不拆分; 所有用于此目的的工具都在urllib.parse包中(但是无论如何,这可能就是请求所执行的操作,因此只使用请求即可)。
假定这些url已损坏,并通过用try/except UnicodeEncodeError
包装urlretrieve
调用来跳过它们
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.