在獲得網(wǎng)頁響應對象res后，使用res.text屬性可以獲得網(wǎng)頁源代碼，但可能出現(xiàn)亂碼！因為requests庫會使用自動猜測的解碼方式將抓取的網(wǎng)頁源碼進行解碼，然后存儲到res對象的text屬性中；

但有的網(wǎng)站的編碼格式和requests庫默認的解碼格式（）不一樣（比如gbk gb2312是gbk的子集），這時候就要自己手動進行解碼，先獲得content屬性，返回的是bytes類型的字符串，再進行解碼decode（“網(wǎng)頁的編碼

格式”）

這時候可能出現(xiàn)新的問題

'gbk' codec can't decode byte 0xd0 in position 15264: illegal multibyte sequence

這是因為遇到了非法字符

比如網(wǎng)頁中有這種字符

全角空格往往有多種不同的實現(xiàn)方式，比如\xa3\xa0，或者\xa4\x57，這些 字符，看起來都是全角空格，但它們并不是“合法”的全角空格（真正的全角空格是\xa1\xa1），因此在轉碼的過程中出現(xiàn)了異常。

只要字符串中出現(xiàn)了一個非法字符，整篇文章就都無法轉碼。

對于這種字符，根本不需要，不重要！

解決方法：在解碼時候指定errors參數(shù)，

decode()的函數(shù)原型是decode([encoding], [errors='strict'])，可以用第二個參數(shù)控制錯誤處理的策略，默認的參數(shù)是strict，代表遇到非法字符時拋出異常；

• 如果設置為ignore，則會忽略非法字符；
• 如果設置為replace，則會用?取代非法字符；
• 如果設置為xmlcharrefreplace，則使用XML的字符引用

#requests庫默認會使用自己猜測的解碼方式將抓取下來的網(wǎng)頁進行解碼，然后存儲到text屬性上去；
#但在該網(wǎng)站中，編碼方式和默認的解碼方式不一樣，就會產生亂碼,所以要手動進行解碼，先獲得content再decode()解碼
#右鍵查看網(wǎng)頁源代碼，發(fā)現(xiàn)是gb2312編碼，gb2312就是gbk的子集，所以用decode("gbk")

以上就是本文的全部內容，希望對大家的學習有所幫助，也希望大家多多支持腳本之家。

最新評論