关于中文网页爬虫显示乱码的问题

大家好，我在爬去一个中文网页的时候碰到了乱码的问题，试了很久都没成功，请帮我看下问题出在哪里？

网址： http://www.duxieren.com/shanghaishuping/201511.shtml

编码: UTF-8

系统: windows 7

Python 版本： 3

目标：爬取文章列表

症状：能爬取，但是 print 出来之后全乱码,，也尝试了了加 encoding = GBK 之类的参数但是无效，

请帮我看看问题出在哪里，多谢了

代码如下

import requests, bs4
web = requests.get('http://www.duxieren.com/shanghaishuping/')
soup = bs4.BeautifulSoup(web.text,"html.parser")
page = soup.findAll('a',{'class':'archive_article'})
for i in page:
print(i.get_text())

bs4

Text

page

7 条回复 • 2016-01-07 23:37:34 +08:00

rudy1224

2016-01-03 13:27:26 +08:00

第二行和第三行之间插一句
web.encoding='utf8'
手动指定编码

huamihu

2016-01-03 15:16:56 +08:00

@rudy1224 谢谢，我去尝试一下

janeyuan

2016-01-03 18:04:16 +08:00

GBK 是 GB18030 的子集也就是说 GBK 有些字符不能显示推荐直接用 GB18030

soup = BeautifulSoup(response,from_encoding='GB18030')
links = soup.find_all("td")

for ins in links:
if ins.get_text()!=None:
fout.write("<td>%s</td>"% ins.get_text().decode('GB18030').strip())

ahxxm

2016-01-03 19:22:04 +08:00

requests.get().text 在 python2 里是 unicode ， python3 里是 str （也是 unicode ）， requests 会把网页内容(.content ，类型是 bytes)用 chardet 检测出的编码类型转换成 unicode ，然后给.text 这个 property 。

然而 windows 命令行的默认编码是 cp936 （好像是这么拼的），所以如果 chardet 抽风了， unicode 内容就不合理， print 时候就可能乱码或者报错，后者可能性更高一点。

有两个方法： 0 ）你开个文件把爬到的东西写进去，完了用 sublime/notepad++之类的东西打开看看，能看就没错了； 1 ）手动给 response.content 做 decode ，我这儿 win10+python3.4.2 ， rsp.content.decode('utf-8') != rsp.text

print(web.content.decode('utf-8'))，我这个 win10 能正确在 cmd 中打印网页里的中文

ahxxm

2016-01-03 19:23:10 +08:00

上面说得不太准，是.text 这个 property 会调用 chardet 检测并自作聪明地返回结果……

Allianzcortex

2016-01-03 21:09:57 +08:00

如果可以用 print 输出正确显示的话那么就是 unicode 编码格式的问题了，有不同的解决方法，最直接的就是用 decode 和 encode 对网页内容进行各种转换

huamihu

2016-01-07 23:37:34 +08:00

@ahxxm 非常感谢你的帮助，