python爬虫之字符集和编码
python requests的content与text方法的区别**
requests
对象的get
和post
方法都会返回一个Response
对象,这个对象里面存的是服务器返回的所有信息,包括响应头,响应状态码等。其中返回的网页部分会存在.content
和.text
两个对象中。两者区别在于,content
中间存的是字节码,而text
中存的是Beautifulsoup
根据猜测的编码方式将content
内容编码成字符串。直接输出content,会发现前面存在b’这样的标志,这是字节字符串的标志,而text是,没有前面的b,对于纯ascii码,这两个可以说一模一样,对于其他的文字,需要正确编码才能正常显示。大部分情况建议使用.text,因为显示的是汉字,但有时会显示乱码,这时需要用.content.decode('utf-8')
,中文常用utf-8
和GBK
,GB2312
等。这样可以手工选择文字编码方式。所以简而言之,.text
是现成的字符串,.content
还要编码,但是.text
不是所有时候显示都正常,这是就需要用.content
进行手动编码。
import requestshtml = requests.get('http://news.sina.com.cn/c/2018-08-13/doc/doc-ihhqtawx6755550.shtml').textprint(html)
输出的结果为:
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-49EgCnL6-1644906496415)(/var/folders/s5/l83d0_8x4pz6q1gwvs28_jsr0000gn/T/abnerworks.Typora/image-20220214235529823.png)]
遇到中文时就会显示乱码,这样不是我们想要的结果了,那么这个时候就只能用content的方法来实现解码了。
import requestshtml = requests.get('http://news.sina.com.cn/c/2018-08-13/doc/doc-ihhqtawx6755550.shtml').contentprint(html)
结果是:
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-RYMJomVr-1644906496417)(/var/folders/s5/l83d0_8x4pz6q1gwvs28_jsr0000gn/T/abnerworks.Typora/image-20220214235700935.png)]
这个时候不过都是16进制的东西,这个没有关系再进行encode(‘utf-8’)对应的解码就可以了。解决方案:进行encode(‘utf-8’)对应的解码就可以了。
import requestshtml = requests.get('http://news.sina.com.cn/c/2018-08-13/doc/doc-ihhqtawx6755550.shtml').content.decode('utf-8', errors='ignore')print(html)
字符编码
我们已经讲过了,字符串也是一种数据类型,但是,字符串比较特殊的是还有一个编码问题。
因为计算机只能处理数字,如果要处理文本,就必须先把文本转换为数字才能处理。最早的计算机在设计时采用8个比特(bit)作为一个字节(byte),所以,一个字节能表示的最大的整数就是255(二进制11111111=十进制255),如果要表示更大的整数,就必须用更多的字节。比如两个字节可以表示的最大整数是65535
,4个字节可以表示的最大整数是4294967295
。
由于计算机是美国人发明的,因此,最早只有127个字符被编码到计算机里,也就是大小写英文字母、数字和一些符号,这个编码表被称为ASCII
编码,比如大写字母A
的编码是65
,小写字母z
的编码是122
。
但是要处理中文显然一个字节是不够的,至少需要两个字节,而且还不能和ASCII编码冲突,所以,中国制定了GB2312
编码,用来把中文编进去。
你可以想得到的是,全世界有上百种语言,日本把日文编到Shift_JIS
里,韩国把韩文编到Euc-kr
里,各国有各国的标准,就会不可避免地出现冲突,结果就是,在多语言混合的文本中,显示出来会有乱码。
因此,Unicode字符集应运而生。Unicode把所有语言都统一到一套编码里,这样就不会再有乱码问题了。
Unicode标准也在不断发展,但最常用的是UCS-16编码,用两个字节表示一个字符(如果要用到非常偏僻的字符,就需要4个字节)。现代操作系统和大多数编程语言都直接支持Unicode。
现在,捋一捋ASCII编码和Unicode编码的区别:ASCII编码是1个字节,而Unicode编码通常是2个字节。
字母A
用ASCII编码是十进制的65
,二进制的01000001
;
字符0
用ASCII编码是十进制的48
,二进制的00110000
,注意字符'0'
和整数0
是不同的;
汉字中
已经超出了ASCII编码的范围,用Unicode编码是十进制的20013
,二进制的01001110 00101101
。
你可以猜测,如果把ASCII编码的A
用Unicode编码,只需要在前面补0就可以,因此,A
的Unicode编码是00000000 01000001
。
新的问题又出现了:如果统一成Unicode编码,乱码问题从此消失了。但是,如果你写的文本基本上全部是英文的话,用Unicode编码比ASCII编码需要多一倍的存储空间,在存储和传输上就十分不划算。
所以,本着节约的精神,又出现了把Unicode编码转化为“可变长编码”的UTF-8
编码。UTF-8编码把一个Unicode字符根据不同的数字大小编码成1-6个字节,常用的英文字母被编码成1个字节,汉字通常是3个字节,只有很生僻的字符才会被编码成4-6个字节。如果你要传输的文本包含大量英文字符,用UTF-8编码就能节省空间:
字符 | ASCII | Unicode | UTF-8 |
---|---|---|---|
A | 01000001 | 00000000 01000001 | 01000001 |
中 | x | 01001110 00101101 | 11100100 10111000 10101101 |
从上面的表格还可以发现,UTF-8编码有一个额外的好处,就是ASCII编码实际上可以被看成是UTF-8编码的一部分,所以,大量只支持ASCII编码的历史遗留软件可以在UTF-8编码下继续工作。
搞清楚了ASCII、Unicode和UTF-8的关系,我们就可以总结一下现在计算机系统通用的字符编码工作方式:
在计算机内存中,统一使用Unicode编码,当需要保存到硬盘或者需要传输的时候,就转换为UTF-8编码。
用记事本编辑的时候,从文件读取的UTF-8字符被转换为Unicode字符到内存里,编辑完成后,保存的时候再把Unicode转换为UTF-8保存到文件:
浏览网页的时候,服务器会把动态生成的Unicode内容转换为UTF-8再传输到浏览器:
所以你看到很多网页的源码上会有类似<meta charset="UTF-8" />
的信息,表示该网页正是用的UTF-8编码。
python的字符串
搞清楚了令人头疼的字符编码问题后,我们再来研究Python的字符串。
在最新的Python 3版本中,字符串是以Unicode编码的,也就是说,Python的字符串支持多语言,例如:
>>> print('包含中文的str')
包含中文的str
对于单个字符的编码,Python提供了ord()
函数获取字符的整数表示,chr()
函数把编码转换为对应的字符:
>>> ord('A')
65
>>> ord('中')
20013
>>> chr(66)
'B'
>>> chr(25991)
'文'
如果知道字符的整数编码,还可以用十六进制这么写str
:
>>> '\u4e2d\u6587'
'中文'
两种写法完全是等价的。
由于Python的字符串类型是str
,在内存中以Unicode表示,一个字符对应若干个字节。如果要在网络上传输,或者保存到磁盘上,就需要把str
变为以字节为单位的bytes
。
Python对bytes
类型的数据用带b
前缀的单引号或双引号表示:
x = b'ABC'
要注意区分'ABC'
和b'ABC'
,前者是str
,后者虽然内容显示得和前者一样,但bytes
的每个字符都只占用一个字节。
以Unicode表示的str
通过encode()
方法可以编码为指定的bytes
,例如:
>>> 'ABC'.encode('ascii')
b'ABC'
>>> '中文'.encode('utf-8')
b'\xe4\xb8\xad\xe6\x96\x87'
>>> '中文'.encode('ascii')
Traceback (most recent call last):File "<stdin>", line 1, in <module>
UnicodeEncodeError: 'ascii' codec can't encode characters in position 0-1: ordinal not in range(128)
纯英文的str
可以用ASCII
编码为bytes
,内容是一样的,含有中文的str
可以用UTF-8
编码为bytes
。含有中文的str
无法用ASCII
编码,因为中文编码的范围超过了ASCII
编码的范围,Python会报错。
在bytes
中,无法显示为ASCII字符的字节,用\x##
显示。
反过来,如果我们从网络或磁盘上读取了字节流,那么读到的数据就是bytes
。要把bytes
变为str
,就需要用decode()
方法:
>>> b'ABC'.decode('ascii')
'ABC'
>>> b'\xe4\xb8\xad\xe6\x96\x87'.decode('utf-8')
'中文'
如果bytes
中包含无法解码的字节,decode()
方法会报错:
>>> b'\xe4\xb8\xad\xff'.decode('utf-8')
Traceback (most recent call last):...
UnicodeDecodeError: 'utf-8' codec can't decode byte 0xff in position 3: invalid start byte
如果bytes
中只有一小部分无效的字节,可以传入errors='ignore'
忽略错误的字节:
>>> b'\xe4\xb8\xad\xff'.decode('utf-8', errors='ignore')
'中'
要计算str
包含多少个字符,可以用len()
函数:
>>> len('ABC')
3
>>> len('中文')
2
len()
函数计算的是str
的字符数,如果换成bytes
,len()
函数就计算字节数:
>>> len(b'ABC')
3
>>> len(b'\xe4\xb8\xad\xe6\x96\x87')
6
>>> len('中文'.encode('utf-8'))
6
可见,1个中文字符经过UTF-8编码后通常会占用3个字节,而1个英文字符只占用1个字节。
在操作字符串时,我们经常遇到str
和bytes
的互相转换。为了避免乱码问题,应当始终坚持使用UTF-8编码对str
和bytes
进行转换。
由于Python源代码也是一个文本文件,所以,当你的源代码中包含中文的时候,在保存源代码时,就需要务必指定保存为UTF-8编码。当Python解释器读取源代码时,为了让它按UTF-8编码读取,我们通常在文件开头写上这两行:
#!/usr/bin/env python3
# -*- coding: utf-8 -*-
第一行注释是为了告诉Linux/OS X系统,这是一个Python可执行程序,Windows系统会忽略这个注释;
第二行注释是为了告诉Python解释器,按照UTF-8编码读取源代码,否则,你在源代码中写的中文输出可能会有乱码。
bug复线与解决问题
场景复现
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-ax3xO0hC-1644906496419)(/var/folders/s5/l83d0_8x4pz6q1gwvs28_jsr0000gn/T/abnerworks.Typora/image-20220215101453394.png)]
bug原因:存在部分字符类型(bytes)的字符无法解码为(utf-8)类型的字符串。
html = resp.content.decode(encoding, errors='ignore')
#html = resp.content.decode(encoding)
解决方法:用上面替换下面。
python爬虫之字符集和编码相关推荐
- Python基础:字符集和编码
字符集 电脑通过0.1的二进制进行运算,二进制可转化为十进制,进而实现更为复杂的运算 电脑通过1和0组合转化为字母,从而储存文件信息. 但各家有各家的编码方式,这就是字符集. 在现在看来,美制统一标准 ...
- 创建数据库,指定数据库的字符集和编码顺序
创建数据库,指定它的字符集和编码顺序 create database {数据库名称} CHARACTER SET {字符集} COLLATE {排序规则} 举例: create database co ...
- Ruby:字符集和编码学习总结
背景 Ruby直到1.9版本才很好的支持了多字节编码,本文简单总结了今天学习的关于Ruby编码方面的知识. 字符串可以使用不同的编码 在.NET中字符串的编码是一致的,Ruby允许字符串有不同的编码, ...
- 面试题字符集和编码区别_您和理想工作之间的一件事-编码面试!
面试题字符集和编码区别 A recruiter calls you for a position with your dream company. You get extremely excited ...
- 你不知道的 字符集和编码(编码字符集与字符集编码)
我的上篇文章,有朋友提出字符集和编码的区别,我在此立文和大家讨论下 常说的字符集和编码区别,其实就是编码字符集和字符集编码的区别,其实,单单如果只是说字符集,没有任何编码的概念的话,那么字符集其实仅仅 ...
- 字符集和编码规范:ASCII,Unicode和UTF-8, latin1,BIG5,GBK
字符集和编码方式:ASCII,Unicode和UTF-8, latin1,BIG5,GBK 参考: 字符集 字符集编码详解 一. ASCII码 我们知道,在计算机内部,所有的信息最终都表示为一个二进制 ...
- [转]各种字符集和编码详解
在软件的编码和实现中,我们可能会碰到个 一个比较头疼的问题--编码,不同字符间的编码和解码,你确定了解各种字符的编码吗?一个朋友问到了我这个问题,我虽然能回答一两个出来,但是感觉已经有点模糊,混乱了, ...
- python中gbk字符原因报错_深入理解Python中的字符和编码,结合,了解,与
一.前言 在学习python初期,常常会对运行文件出现的各种"codec"报错摸不着头脑有没有? 对各种编码方式的区别和适用的情况混淆有没有? 对python2,python3 编 ...
- python中的字符、编码、转换
文章目录 写在前面 1.编码 1.1.ASCII 1.2.Unicode 1.3.UTF-8 1.4.GBK 1.5.URL编码 1.6.HTML实体 2.python字符前面的u.b.r.f 2.1 ...
最新文章
- 成功解决极其刁钻bug之TypeError: ‘<=‘ not supported between instances of ‘list‘ and ‘int‘
- 蓝桥杯_算法训练_表达式计算
- WCF自我学习之(一)
- 数论六之计算几何干货——计算几何模板解释全集 及 模板检验训练场
- python字符串筛选输出_如何在Python中过滤字符串列表
- 2022牛客寒假算法基础集训营1 ——H 牛牛看云
- 习题3.10 汉诺塔的非递归实现 (25分)
- VLFeat工具包在matlab使用方法
- DDD-领域驱动设计
- 微信公众号隐藏右上角三个点分享功能
- Python图书商城(可运行代码)有说明文档
- ubuntu18.04安装搜狗输入法之后无法使用的问题
- spark graphx实现共同好友的聚合
- 周易六十四卦——泽水困卦
- 《阿里铁军》带给我的启发和感悟
- 事实表与维度表的区别与关系
- 奇迹红孩子二---探讨商务互动社区
- 凤姐模仿Lady Gaga 称和国外明星平起平坐(图)
- 二进制转十进制在c51单片机中的问题
- Http响应状态Status为canceled
热门文章
- Let's Encrypt申请证书及使用
- HER608-ASEMI整流二极管R-6轴向插件封装
- 普通的朋友与真正的朋友
- 解决nested exception is java.lang.IllegalArgumentException: No converter found for return value of typ
- Linux:如何调整ubuntu的系统界面使其放大
- synchonized只能回答加锁?深入解析,关于锁升级流程的各项细节
- 计算机电路试题及答案,计算机电路基础试题及答案.doc
- Redis Windows版本的安装以及使用(简单版)
- 多源bfs Spicy Restaurant
- C++ 中 char[],char *,string之间转换