python爬虫之字符集和编码

python requests的content与text方法的区别**

​​requests​​​对象的​​get​​​和​​post​​​方法都会返回一个​​Response​​​对象，这个对象里面存的是服务器返回的所有信息，包括响应头，响应状态码等。其中返回的网页部分会存在​​.content​​​和​​.text​​​两个对象中。两者区别在于，​​content​​​中间存的是字节码，而​​text​​​中存的是​​Beautifulsoup​​​根据猜测的编码方式将​​content​​​内容编码成字符串。直接输出content，会发现前面存在b’这样的标志，这是字节字符串的标志，而text是，没有前面的b,对于纯ascii码，这两个可以说一模一样，对于其他的文字，需要正确编码才能正常显示。大部分情况建议使用.text，因为显示的是汉字，但有时会显示乱码，这时需要用​​.content.decode('utf-8')​​​，中文常用​​utf-8​​​和​​GBK​​​，​​GB2312​​​等。这样可以手工选择文字编码方式。所以简而言之，​​.text​​​是现成的字符串，​​.content​​​还要编码，但是​​.text​​​不是所有时候显示都正常，这是就需要用​​.content​​进行手动编码。

import requests

html = requests.get('http://news.sina.com.cn/c/2018-08-13/doc/doc-ihhqtawx6755550.shtml').text

print(html)

输出的结果为：

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-49EgCnL6-1644906496415)(/var/folders/s5/l83d0_8x4pz6q1gwvs28_jsr0000gn/T/abnerworks.Typora/image-20220214235529823.png)]

遇到中文时就会显示乱码，这样不是我们想要的结果了，那么这个时候就只能用content的方法来实现解码了。

import requests

html = requests.get('http://news.sina.com.cn/c/2018-08-13/doc/doc-ihhqtawx6755550.shtml').content

print(html)

结果是：

这个时候不过都是16进制的东西，这个没有关系再进行encode(‘utf-8’)对应的解码就可以了。解决方案：进行encode(‘utf-8’)对应的解码就可以了。

import requests

html = requests.get('http://news.sina.com.cn/c/2018-08-13/doc/doc-ihhqtawx6755550.shtml').content.decode('utf-8', errors='ignore')

print(html)

字符编码

我们已经讲过了，字符串也是一种数据类型，但是，字符串比较特殊的是还有一个编码问题。

因为计算机只能处理数字，如果要处理文本，就必须先把文本转换为数字才能处理。最早的计算机在设计时采用8个比特（bit）作为一个字节（byte），所以，一个字节能表示的最大的整数就是255（二进制11111111=十进制255），如果要表示更大的整数，就必须用更多的字节。比如两个字节可以表示的最大整数是​​65535​​​，4个字节可以表示的最大整数是​​4294967295​​。

由于计算机是美国人发明的，因此，最早只有127个字符被编码到计算机里，也就是大小写英文字母、数字和一些符号，这个编码表被称为​​ASCII​​​编码，比如大写字母​​A​​​的编码是​​65​​​，小写字母​​z​​​的编码是​​122​​。

但是要处理中文显然一个字节是不够的，至少需要两个字节，而且还不能和ASCII编码冲突，所以，中国制定了​​GB2312​​编码，用来把中文编进去。

你可以想得到的是，全世界有上百种语言，日本把日文编到​​Shift_JIS​​​里，韩国把韩文编到​​Euc-kr​​里，各国有各国的标准，就会不可避免地出现冲突，结果就是，在多语言混合的文本中，显示出来会有乱码。

因此，Unicode字符集应运而生。Unicode把所有语言都统一到一套编码里，这样就不会再有乱码问题了。

Unicode标准也在不断发展，但最常用的是UCS-16编码，用两个字节表示一个字符（如果要用到非常偏僻的字符，就需要4个字节）。现代操作系统和大多数编程语言都直接支持Unicode。

现在，捋一捋ASCII编码和Unicode编码的区别：ASCII编码是1个字节，而Unicode编码通常是2个字节。

字母​​A​​​用ASCII编码是十进制的​​65​​​，二进制的​​01000001​​；

字符​​0​​​用ASCII编码是十进制的​​48​​​，二进制的​​00110000​​​，注意字符​​'0'​​​和整数​​0​​是不同的；

汉字​​中​​​已经超出了ASCII编码的范围，用Unicode编码是十进制的​​20013​​​，二进制的​​01001110 00101101​​。

你可以猜测，如果把ASCII编码的​​A​​​用Unicode编码，只需要在前面补0就可以，因此，​​A​​​的Unicode编码是​​00000000 01000001​​。

新的问题又出现了：如果统一成Unicode编码，乱码问题从此消失了。但是，如果你写的文本基本上全部是英文的话，用Unicode编码比ASCII编码需要多一倍的存储空间，在存储和传输上就十分不划算。

所以，本着节约的精神，又出现了把Unicode编码转化为“可变长编码”的​​UTF-8​​编码。UTF-8编码把一个Unicode字符根据不同的数字大小编码成1-6个字节，常用的英文字母被编码成1个字节，汉字通常是3个字节，只有很生僻的字符才会被编码成4-6个字节。如果你要传输的文本包含大量英文字符，用UTF-8编码就能节省空间：

从上面的表格还可以发现，UTF-8编码有一个额外的好处，就是ASCII编码实际上可以被看成是UTF-8编码的一部分，所以，大量只支持ASCII编码的历史遗留软件可以在UTF-8编码下继续工作。

搞清楚了ASCII、Unicode和UTF-8的关系，我们就可以总结一下现在计算机系统通用的字符编码工作方式：

在计算机内存中，统一使用Unicode编码，当需要保存到硬盘或者需要传输的时候，就转换为UTF-8编码。

用记事本编辑的时候，从文件读取的UTF-8字符被转换为Unicode字符到内存里，编辑完成后，保存的时候再把Unicode转换为UTF-8保存到文件：

浏览网页的时候，服务器会把动态生成的Unicode内容转换为UTF-8再传输到浏览器：

所以你看到很多网页的源码上会有类似​​<meta charset="UTF-8" />​​的信息，表示该网页正是用的UTF-8编码。

python的字符串

搞清楚了令人头疼的字符编码问题后，我们再来研究Python的字符串。

在最新的Python 3版本中，字符串是以Unicode编码的，也就是说，Python的字符串支持多语言，例如：

>>> print('包含中文的str')
包含中文的str

对于单个字符的编码，Python提供了​​ord()​​​函数获取字符的整数表示，​​chr()​​函数把编码转换为对应的字符：

>>> ord('A')
65
>>> ord('中')
20013
>>> chr(66)
'B'
>>> chr(25991)
'文'

如果知道字符的整数编码，还可以用十六进制这么写​​str​​：

>>> '\u4e2d\u6587'
'中文'

两种写法完全是等价的。

由于Python的字符串类型是​​str​​​，在内存中以Unicode表示，一个字符对应若干个字节。如果要在网络上传输，或者保存到磁盘上，就需要把​​str​​​变为以字节为单位的​​bytes​​。

Python对​​bytes​​​类型的数据用带​​b​​前缀的单引号或双引号表示：

x = b'ABC'

要注意区分​​'ABC'​​​和​​b'ABC'​​​，前者是​​str​​​，后者虽然内容显示得和前者一样，但​​bytes​​的每个字符都只占用一个字节。

以Unicode表示的​​str​​​通过​​encode()​​​方法可以编码为指定的​​bytes​​，例如：

>>> 'ABC'.encode('ascii')
b'ABC'
>>> '中文'.encode('utf-8')
b'\xe4\xb8\xad\xe6\x96\x87'
>>> '中文'.encode('ascii')
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
UnicodeEncodeError: 'ascii' codec can't encode characters in position 0-1: ordinal not in range(128)

纯英文的​​str​​​可以用​​ASCII​​​编码为​​bytes​​​，内容是一样的，含有中文的​​str​​​可以用​​UTF-8​​​编码为​​bytes​​​。含有中文的​​str​​​无法用​​ASCII​​​编码，因为中文编码的范围超过了​​ASCII​​编码的范围，Python会报错。

在​​bytes​​​中，无法显示为ASCII字符的字节，用​​\x##​​显示。

反过来，如果我们从网络或磁盘上读取了字节流，那么读到的数据就是​​bytes​​​。要把​​bytes​​​变为​​str​​​，就需要用​​decode()​​方法：

>>> b'ABC'.decode('ascii')
'ABC'
>>> b'\xe4\xb8\xad\xe6\x96\x87'.decode('utf-8')
'中文'

如果​​bytes​​​中包含无法解码的字节，​​decode()​​方法会报错：

>>> b'\xe4\xb8\xad\xff'.decode('utf-8')
Traceback (most recent call last):
  ...
UnicodeDecodeError: 'utf-8' codec can't decode byte 0xff in position 3:

如果​​bytes​​​中只有一小部分无效的字节，可以传入​​errors='ignore'​​忽略错误的字节：

>>> b'\xe4\xb8\xad\xff'.decode('utf-8', errors='ignore')
'中'

要计算​​str​​​包含多少个字符，可以用​​len()​​函数：

>>> len('ABC')
3
>>> len('中文')
2

​​len()​​​函数计算的是​​str​​​的字符数，如果换成​​bytes​​​，​​len()​​函数就计算字节数：

>>> len(b'ABC')
3
>>> len(b'\xe4\xb8\xad\xe6\x96\x87')
6
>>> len('中文'.encode('utf-8'))
6

可见，1个中文字符经过UTF-8编码后通常会占用3个字节，而1个英文字符只占用1个字节。

在操作字符串时，我们经常遇到​​str​​​和​​bytes​​​的互相转换。为了避免乱码问题，应当始终坚持使用UTF-8编码对​​str​​​和​​bytes​​进行转换。

由于Python源代码也是一个文本文件，所以，当你的源代码中包含中文的时候，在保存源代码时，就需要务必指定保存为UTF-8编码。当Python解释器读取源代码时，为了让它按UTF-8编码读取，我们通常在文件开头写上这两行：

#!/usr/bin/env python3
# -*- coding: utf-8 -*-

第一行注释是为了告诉Linux/OS X系统，这是一个Python可执行程序，Windows系统会忽略这个注释；

第二行注释是为了告诉Python解释器，按照UTF-8编码读取源代码，否则，你在源代码中写的中文输出可能会有乱码。

bug复线与解决问题

场景复现

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-ax3xO0hC-1644906496419)(/var/folders/s5/l83d0_8x4pz6q1gwvs28_jsr0000gn/T/abnerworks.Typora/image-20220215101453394.png)]

bug原因：存在部分字符类型(bytes)的字符无法解码为(utf-8)类型的字符串。

html = resp.content.decode(encoding, errors='ignore')
#html = resp.content.decode(encoding)

解决方法：用上面替换下面。