[英]Contradictory encoding specifications of Chinese characters when using Python to web scrape
我正在使用BeautifulSoup從一個中國的在線發布網站上抓取數據,這是其中一部小說的URL http://www.jjwxc.net/onebook.php?novelid=1485737 。
我嘗試了不同的編碼和解碼方案(例如gb2312,utf-8)及其組合來閱讀網站。 例如
import requests
from bs4 import BeautifulSoup
url = "http://www.jjwxc.net/onebook.php?novelid=1485737"
response = requests.get(url)
text = response.text
print text.encode('gb2312')
>> UnicodeEncodeError: 'gb2312' codec can't encode character u'\xa1' in position 340: illegal multibyte sequence
print text.encode('utf-8')
>> <!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Transitional//EN" "http://www.w3.org/TR/xhtml1/DTD/xhtml1-transitional.dtd">
<html xmlns="http://www.w3.org/1999/xhtml">
<head>
<meta http-equiv="Content-Type" content="text/html; charset=gb2312"/>
<meta http-equiv="X-UA-Compatible" content="IE=EmulateIE7" />
<title>¡¶£¨Õý°æ£©±¼Ô¡·Êñ¿Í_¡¾Ô´´Ð¡Ëµ|ÑÔÇéС˵¡¿_½ú½ÎÄѧ³Ç</title>
<meta name="Keywords" content="Êñ¿Í,£¨Õý°æ£©±¼ÔÂ,Êñ¿Í¡¶£¨Õý°æ£©±¼Ô¡·,Ö÷½Ç£ºÁøÉÒ ©§ Åä½Ç£ºÔ£¬Â½À룬ËÕÐÅ£¬°×ÒÂÚÄÇ£¬Âå¸è£¬×¿ÇïÏÒ£¬ÉÌÓñÈÝ£¬Ð»ÁîÆëµÈµÈ£¨³ö³¡ÅÅÃû£© ©§ ÆäËü£ºÏÉÏÀ£¬ÁøÉÒ£¬ÔÂÉñ£¬Éñ»°,ÇéÓжÀÖÓ Å°ÁµÇéÉî ÁéÒìÉñ¹Ö âêÈ»Èôʧ ×îиüÐÂ:2015-07-15 23:57:04 ×÷Æ·»ý·Ö£º193191456" />
請注意,文檔本身聲稱使用gb2312進行了編碼。
我在論壇上瀏覽了一下,發現編碼定義可能存在一些問題。 如果我嘗試以下
import urllib2
html = urllib2.urlopen('http://www.jjwxc.net/onebook.php? novelid=1485737').read()
soup = BeautifulSoup(html)
soup.original_encoding
>> {windows-1252}
但
import chardet
chardet.detect(html)
給
>> {'confidence': 0.0, 'encoding': None}
有人可以照亮這個問題嗎? 謝謝!
我使用了如何使用python解碼和編碼網頁中提到的方法? ,並發現它適用於大多數中國網站,但我感興趣的是該網站。
試試這個,它應該做的工作。
GBK編解碼器可提供與中文GB18030 / GBK / GB2312編碼之間的轉換。
import sys
reload(sys)
sys.setdefaultencoding('utf-8')
import requests
from bs4 import BeautifulSoup
url = "http://www.jjwxc.net/onebook.php?novelid=1485737"
response = requests.get(url)
text = response.text
text = text.decode('gbk').encode('utf-8')
print text
<!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Transitional//EN" "http://www.w3.org/TR/xhtml1/DTD/xhtml1-transitional.dtd">
<html xmlns="http://www.w3.org/1999/xhtml">
<head>
<meta http-equiv="Content-Type" content="text/html; charset=gb2312"/>
<meta http-equiv="X-UA-Compatible" content="IE=EmulateIE7" />
<title>隆露攏簍脮媒擄忙攏漏鹵錄脭脗隆路脢帽驢脥_隆戮脭顱麓麓脨隆脣碌|脩脭脟茅脨隆脣碌隆驢_陸煤陸顱脦脛脩摟魯脟</title>
...
...
聲明:本站的技術帖子網頁,遵循CC BY-SA 4.0協議,如果您需要轉載,請注明本站網址或者原文地址。任何問題請咨詢:yoyou2525@163.com.