python3的UnicodeDecodeError解决方法

Python  /  管理员 发布于 7年前   416

爬虫部分解码异常

response.content.decode() # 默认使用 utf-8 出现解码异常

以下是设计的通用解码

通过 text 获取编码

# 通过 text 获取编码import requestsfrom lxml import etreedef public_decode(): headers = {  'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/78.0.3904.108 Safari/537.36' } response = requests.get('https://blog.csdn.net/a13951206104', headers=headers) html = etree.HTML(response.text) # response.text 能自动获取编码, 大多乱码 _charset = html.xpath('//@charset') or [] if _charset:  encode_content = response.content.decode(_charset[0].strip().lower(), errors='replace') # 如果设置为replace，则会用?取代非法字符；  return {'response_text': encode_content, "response_obj": response} for _charset_ in ['utf-8', 'gbk', 'gb2312'] # 国内主要这3种:  if '�' not in response.content.decode(_charset_, errors='replace'):   return {'response_text': response.content.decode(_charset_, errors='replace'),     "response_obj": response}  else:   # 默认还得是 utf-8   return {'response_text': response.content.decode('utf-8', errors='replace'),     "response_obj": response}

通过数据 来解编码(推荐)

def public_decode(response): headers = {  'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/78.0.3904.108 Safari/537.36' } response = requests.get('https://blog.csdn.net/a13951206104', headers=headers) html = etree.HTML(response.text) # 不希望抓下来的数据中有非法字符 item = dict() result = None for _charset_ in ['utf-8', 'gbk', 'gb2312']:  if response:   result = response.content.decode(_charset_, errors='replace')   item['content'] = html.xpath('//*[@id="content"]')   if '�' not in result['content'].strip():    result =response.content.decode(_charset_, errors='replace')    break if not result:  # 默认 utf-8  result = response.content.decode(_charset_, errors='replace') 

errors=‘replace' 使解码不报异常, 然后把几个常用的编码一个个试下, 最后要看落下来的数据, 所以最好拿数据 去获取合适的编码

以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持。