Python用于web垃圾处理时汉字编码规范的矛盾性

2024-06-16 11:20:08 发布

您现在位置：Python中文网/ 问答频道 /正文
644 3

我正在使用BeautifulSoup从一个中文在线出版网站上获取数据，这是其中一本小说的网址http://www.jjwxc.net/onebook.php?novelid=1485737。在

我尝试过不同的编解码方案（如gb2312，utf-8）及其组合来阅读网站。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" />

注意，文档本身声称是使用gb2312编码的。在

我在论坛里参观了一下，发现编码定义可能有一些问题。如果我试试下面的方法

^{pr2}$

但是

import chardet 
chardet.detect(html)

给予

>> {'confidence': 0.0, 'encoding': None}

有人能解释一下这个问题吗？谢谢您！在

我使用了how to decode and encode web page with python?中提到的方法，发现它适用于大多数中国网站，但我感兴趣的网站除外。在


Tags： textimporthttpnet网站htmlwwwcontent
1条回答
网友
1楼 · 发布于 2024-06-16 11:20:08

试试这个，它应该能起作用。在

The GBK codec provides conversion to and from the Chinese GB18030/GBK/GB2312 encoding.

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>隆露拢篓脮媒掳忙拢漏卤录脭脗隆路脢帽驴脥_隆戮脭颅麓麓脨隆脣碌|脩脭脟茅脨隆脣碌隆驴_陆煤陆颅脦脛脩搂鲁脟</title>
...
...

相关问题 更多 >

    编程相关推荐