爬虫返回乱码以及解决办法以及锟斤拷、ISO-8859-1转码、&#、&#x转码、unicode转码，gbk转码，ascii转码、gb2312转码_爬虫返回中文乱码 编码不管用

一、headers去掉后面的br或者 注释Accept-Encoding

注销设置Accept-Encoding为gzip,deflate，返回的网页是乱码

����g�/1�C�y�/�D�O��'��

self.headers = {
	...
	# 'Accept-Encoding': 'gzip, deflate, br',
	'Accept-Encoding': 'gzip, deflate, br',
	'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/73.0.3683.86 Safari/537.36'
}
1
2
3
4
5
6

二、锟斤拷

是一串经常在搜索引擎页面和其他网站上看到的乱码字符。乱码源于GBK字符集和Unicode字符集之间的转换问题。

• requests解决方案：

  import requests
  url = ''https://www.baidu.com/'
  res = requests.get(url)
  res.encoding=res.apparent_encoding  #获取网页正确的编码格式
  print(res.text)
  1
  2
  3
  4
  5

• scrapy 解决方案

  res =(request.text).encode('cp1252').decode('gbk')
  1

三、utf8 编码，请求输出为乱码， 文章实际编码为ISO-8859-1

输出情况如下 新疆博湖县：博爱送万家暨迎
解决办法 res.content.decode('utf-8')

self.headers = {
	'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,image/avif,image/webp,image/apng,*/*;q=0.8,application/signed-exchange;v=b3;q=0.9',
	'Accept-Encoding': 'gzip, deflate',
	'Accept-Language': 'zh-CN,zh;q=0.9',
	'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/73.0.3683.86 Safari/537.36',
}
uri = 'http://www.xj.chinanews.com/dizhou/2019-01-16/detail-ifzcufai2316598.shtml'
res = requests.get(url=uri, headers=self.headers)
print(res.encoding)  查看编码方式
print(res.content.decode('utf-8'))
1
2
3
4
5
6
7
8
9
10

四、gb2312

添加’ignore’可以自动忽略编码错误，屏蔽掉一些个别字符不能编码的错误提示

CONT = resp.text.encode('cp1252').decode('gbk', 'ignore')
1

五、&#、&#x开头的字符串转换成中文

&#开头，后接十进制数字，&#x开头，后接十六进制数字。

import html
y = '93831'
print(html.unescape(y))
93831
1
2
3
4
'
运行
运行

六 utf8 转码 gbk 转码

s = '你好'
a = s.encode('utf8')
# b'\xe4\xbd\xa0\xe5\xa5\xbd' 6字节
b = s.encode('gbk')
# b'\xc4\xe3\xba\xc3’ 4个字节

python把gdb格式的文本文件转为utf-8的格式
content.decode("gbk").encode("utf8")
1
2
3
4
5
6
7
8

unicode与ascii互转

涉及函数：ord()与 chr()、unichr()

总结

• res = requests.get(url, headers=self.headers)
  1. 先查看返回的编码
  print(res.encoding)
  2. 进行编码
  print(res.content.decode('utf8'), 'ignore')
  1
  2
  3
  4
  5

• gbk转化成utf-8:���

• utf-8转化成gbk:锟斤拷锟�

• 进制的表示方法

  前缀表示法	进制	后缀表示法	进制
  十六进制	0x	H	十六进制数
  十进制	无前缀	D 或 省略	十进制数
  八进制	0	Q	八进制数
  二进制	没有表示符号	B	二进制数

如果帮到你请点赞或者评论， 谢谢让我看到你