python3 urllib 爬虫乱码问

py3study

发布于 2020-01-13 11:10:01

5450

发布于 2020-01-13 11:10:01

文章被收录于专栏：python3python3

#!/usr/bin/env python
# -*- coding: utf-8 -*-

from bs4 import BeautifulSoup
from urllib.request import urlopen

baseUrl = 'http://www.51bengou.com'


def getCover(articleUrl):
    global baseUrl
    html = urlopen(baseUrl+articleUrl).read()
    bsObj = BeautifulSoup(html, 'lxml')
    try:
        # Find internal link of the cover.
        src = bsObj.find('div', {'class': 'cartoon-intro'}).find('img')['src']
        return src
    except AttributeError:
        return None


def getInfo(articleUrl):
    global baseUrl
    html = urlopen(baseUrl+articleUrl)
    bsObj = BeautifulSoup(html, 'lxml')
    try:
        # Find all information.
        infos = bsObj.find('div', {'class': 'cartoon-intro'}).findAll('p', {'class': False})
        items = {}
        # Store in a dict.
        for info in infos[:7]:
            items[info.span.text] = info.text
        return list(items)
    except AttributeError:
        return None


print(getInfo('/cartoon/HuoYingRenZhe/'))

如上程序是一个基于笨狗漫画网的爬虫程序，运行后，发现得到的漫画基本信息输出为乱码。

<meta charset="gb2312">

经查看网页源码发现，这个网页使用了gb2312编码。经我目前学习的编码知识，在程序读取网页时，BeautifulSoup使用了默认的utf-8编码将gb2312编码的字节字符串解码为了Unicode。此时，就出现了乱码，并且可能因为对错误的忽略或者替代，信息已经发生了丢失。

为了解决这个问题，我们应该在使用BeautifulSoup之前，对urlopen得到的对象进行读取，然后使用gb2312编码进行解码，此时问题应该就解决了。

#!/usr/bin/env python
# -*- coding: utf-8 -*-

from bs4 import BeautifulSoup
from urllib.request import urlopen

baseUrl = 'http://www.51bengou.com'


def getCover(articleUrl):
    global baseUrl
    html = urlopen(baseUrl+articleUrl).read().decode('gb2312', 'replace')
    bsObj = BeautifulSoup(html, 'lxml')
    try:
        # Find internal link of the cover.
        src = bsObj.find('div', {'class': 'cartoon-intro'}).find('img')['src']
        return src
    except AttributeError:
        return None


def getInfo(articleUrl):
    global baseUrl
    html = urlopen(baseUrl+articleUrl).read().decode('gb2312', 'replace')
    bsObj = BeautifulSoup(html, 'lxml')
    print(html)
    try:
        # Find all information.
        infos = bsObj.find('div', {'class': 'cartoon-intro'}).findAll('p', {'class': False})
        items = {}
        # Store in a dict.
        for info in infos[:7]:
            items[info.span.text] = info.text
        return list(items)
    except AttributeError:
        return None


print(getInfo('/cartoon/HuoYingRenZhe/'))

本文参与腾讯云自媒体分享计划，分享自作者个人站点/博客。

原始发表：2019-07-22 ，如有侵权请联系 cloudcommunity@tencent.com 删除

爬虫