前言

分析

解決方法

前言：

今天簡單爬取一個網頁的源代碼時，發現出現了亂碼
python代碼：

import requestsreq = requests.get("http://www.ccit.js.cn") req_text = req.text print(req_text)

部分截圖：

---

分析：出現這樣的情況是什么原因呢？

（1）我們先來測試一下python3的默認編碼是什么

import sysprint('目前系統的編碼為：',sys.getdefaultencoding()) name1="驚鴻一面" name2=name1.encode("utf-8")#str通過(encode)轉為bytes print("name1的類型：",type(name1)) print("name2的類型",type(name2)) print(name2)

運行結果：

（2）知識點：

• python3默認編碼為utf-8(unicode的一個子集，也是屬于unicode，這也就是為什么有人說python3的默認編碼是unicode，實際上是和utf-8是一樣的)
• 字符串用str表示，編碼后的字符串用二進制bytes表示
• 字符串通過編碼轉換為字節碼，字節碼通過解碼轉換為字符串
  str通過(encode)轉為bytes，bytes通過(decode)轉為str

（3）原因總結：
Python3的默認編碼是utf-8，所有的數據他都會以utf-8進行編碼(encode)。因此，Python3將目標網站的源碼爬取之后進行utf-8編碼，但我們所爬取的目標網站是GB2312編碼，與Python3的默認編碼不同，因而造成亂碼
解決方案：
使用通用的編碼格式

（4）注：

• str類型的對象都是unicode，因此對于str類型的對象只有encode()方法，沒有decode()方法（如果運行，會報錯）
  原因是：只有bytes(二進制)的值才能decode，你字符串是嗎？？！！
• 避免出現亂碼的準則：
  遵循編碼使用哪種格式，解碼就使用哪種格式。
• 出現類似UnicodeEncodeError: 'gb2312' codec can't encode character '\xb3' in position 293: illegal multibyte sequence的原因是，你需要解碼的文件中有些中文字符無法進行解碼（有些中文字符是不在GB2312范圍內的）
  此時，我們可以使用它GBK或者它的父集GB18030

（5）我們以幾種常見的編碼格式進行encode測試

import requests req= requests.get("http://www.ccit.js.cn") req_text1=req.text.encode("utf-8") req_text2=req.text.encode("GB2312") req_text3=req.text.encode("GB18030") print(req_text1)#成功編碼成bytes print(req_text2)#UnicodeEncodeError: 'gb2312' codec can't encode character '\xb3' in position 293: illegal multibyte sequence print(req_text3)#成功編碼成bytes

（6）接著上面又做了decode測試，遵行編碼使用準則，但是還是亂碼！！

import requestsreq= requests.get("http://www.ccit.js.cn")req_text1=req.text.encode("utf-8").decode("utf-8") req_text2=req.text.encode("utf-8").decode("GB2312") req_text3=req.text.encode("utf-8").decode("GB18030")req_text4=req.text.encode("GB18030").decode("utf-8") req_text5=req.text.encode("GB18030").decode("GB2312") req_text6=req.text.encode("GB18030").decode("GB18030")print(req_text1)#成功但是亂碼 print(req_text2)#UnicodeDecodeError: 'gb2312' codec can't decode byte 0xc3 in position 297: illegal multibyte sequence print(req_text3)#成功但是亂碼 print(req_text4)#UnicodeDecodeError: 'utf-8' codec can't decode byte 0x81 in position 293: invalid start byte print(req_text5)#UnicodeDecodeError: 'gb2312' codec can't decode byte 0x81 in position 293: illegal multibyte sequence print(req_text6)#成功但是亂碼

---

解決方法：

那到底怎樣才能解決呢？？？請看如下代碼：

import requests req= requests.get("http://www.ccit.js.cn") req_text=req.text.encode("latin1").decode("GBK") print(req_text)

這里進行encode時使用了latin1。

• Latin1是ISO-8859-1的別名，有些環境下寫作Latin-1。ISO-8859-1編碼是單字節編碼，向下兼容ASCII，其編碼范圍是0x00-0xFF，0x00-0x7F之間完全和ASCII一致，0x80-0x9F之間是控制字符，0xA0-0xFF之間是文字符號。
• 因為ISO-8859-1編碼范圍使用了單字節內的所有空間，在支持ISO-8859-1的系統中傳輸和存儲其他任何編碼的字節流(bytes)都不會被拋棄。換言之，把其他任何編碼的字節流當作ISO-8859-1編碼看待都沒有問題。

總結

以上是生活随笔為你收集整理的Python3爬虫之中文乱码问题分析与解决方法的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。