python爬取也面乱码

capf526526 · 发表于 2021-7-20 10:14:54

马上注册，结交更多好友，享用更多功能^_^

您需要登录才可以下载或查看，没有账号？立即注册

x

亲们，第一次发帖，最近在研究python爬虫，在爬取页面前，已分析页面数据，页面中明确标识编码为UTF-8，在存储时也标注了encode为utf-8，但页面认为乱码，请问如何解决呢？

import requests
import chardet #用于测试网站编码
from bs4 import BeautifulSoup
url = 'http://www.shicimingju.com/book/sanguoyanyi.html'
head = {
'user-agent':'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_7) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/91.0.4472.124 Safari/537.36 Edg/91.0.864.64'
}
r = requests.get(url=url,headers=head).text
r_date = requests.get(url=url,headers=head).content
print(chardet.detect(r_date))
with open('./sgyy.html','w',encoding='UTF-8') as fp:
fp.write(r)
soup_r = BeautifulSoup(r,'lxml')

复制代码

爬取结果为：
<!DOCTYPE html>
<html lang="zh">
<head>
<script type="text/javascript" src="https://ip.ws.126.net/ipquery"></script>
<script src="/newpage/js/all.js"></script>
<meta charset="UTF-8">
<title>ãä¸å½æ¼ä1ãå¨éå¨ço¿éèˉ»_å2ä1|å¸ç±_èˉèˉåå￥ç½</title>

suchocolate · 发表于 2021-7-20 16:42:32

import requests
url = 'http://www.shicimingju.com/book/sanguoyanyi.html'
head = {
'user-agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_7) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/91.0.4472.124 Safari/537.36 Edg/91.0.864.64'
}
r = requests.get(url=url, headers=head)
r.encoding = 'utf-8'
with open('test.html', 'w', encoding='utf-8') as f:
f.write(r.text)

复制代码

学渣李某人 · 发表于 2021-7-20 21:25:13

呃, 这个应该不是乱码, 就是HTML用于表达特殊字符的方式, 如小于号就是&lt(实际<)

账号		自动登录	找回密码
密码			立即注册