请教一下python爬虫的编码问题解决“思路”

友人A
  • 66

如果爬虫的response.text遇到乱码问题,应该用什么思路去找到正确的编码来解决问题呢?
请大佬指教

回复
阅读 1.5k
6 个回答

有个奇葩的思路我发现,做爬虫的时候大家都喜欢把request.headers照搬下来,我发现我照搬下来就会乱码,我我只留个user-agent和cookie反而不乱码了

我一般写爬虫的时候不会去特意指定编码,因为它网页的编码声明跟它实际网页的编码是不一致的。这就很头疼了。
为了应对这个问题,response对象有个属性可以根据网页中大部分编码分析出网站的编码方式,就可以获得网页的编码了。

import requests

def get_html(url):
    try:
        r = requests.get(url)
        r.encoding = r.apparent_encoding
        return t.text
    except Exception as e:
        print(e)
        return None

试试这个

pip install chardet

r = requests.get(url)
r.encoding = 'utf-8'
print r.text

找html的head,大部分网站的head都有编码

追风的骚年007
  • 3
新手上路,请多包涵

解码的时候使用response.text大概率会出问题,试一下用response.content。

response.encoding = response.apparent_encoding

也是个不错的选择

宣传栏