python3的UnicodeDecodeError解决方法
(编辑：jimmy 日期: 2024/9/24 浏览：2)
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 requests
from lxml import etree
def 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"response_obj": response}
for _charset_ in ['utf-8', 'gbk', 'gb2312'] # 国内主要这3种:
if '"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。