Python 编码转换与中文处理
- 2020 年 1 月 6 日
- 筆記
Python 编码转换与中文处理
python 中的 unicode是让人很困惑、比较难以理解的问题. utf-8是unicode的一种实现方式，unicode、gbk、gb2312是编码字符集.
decode是将普通字符串按照参数中的编码格式进行解析，然后生成对应的unicode对象
写python时遇到的中文编码问题：
➜ /test sudo vim test.py #!/usr/bin/python #-*- coding:utf-8 -*- def weather(): import time import re import urllib2 import itchat #模拟浏览器 hearders = "User-Agent","Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/60.0.3112.113 Safari/537.36" url = "https://tianqi.moji.com/weather/china/guangdong/shantou" ##要爬去天气预报的网址 par = '(<meta name="description" content=")(.*?)(">)' ##正则匹配，匹配出网页内要的内容 ##创建opener对象并设置为全局对象 opener = urllib2.build_opener() opener.addheaders = [hearders] urllib2.install_opener(opener) ##获取网页 html = urllib2.urlopen(url).read().decode("utf-8") ##提取需要爬取的内容 data = re.search(par,html).group(2) print type(data) data.encode('gb2312') b = '天气预报' print type(b) c = b + 'n' + data print c weather()
➜ /test sudo python test.py <type 'unicode'> <type 'str'> Traceback (most recent call last): File "test.py", line 30, in <module> weather() File "test.py", line 28, in weather c = b + 'n' + data UnicodeDecodeError: 'ascii' codec can't decode byte 0xe5 in position 0: ordinal not in range(128)
解决方法：
➜ /test sudo vim test.py #!/usr/bin/python #-*- coding:utf-8 -*- import sys reload(sys) # Python2.5 初始化后会删除 sys.setdefaultencoding 这个方法，我们需要重新载入 sys.setdefaultencoding('utf-8') def weather(): import time import re import urllib2 import itchat #模拟浏览器 hearders = "User-Agent","Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/60.0.3112.113 Safari/537.36" url = "https://tianqi.moji.com/weather/china/guangdong/shantou" ##要爬去天气预报的网址 par = '(<meta name="description" content=")(.*?)(">)' ##正则匹配，匹配出网页内要的内容 ##创建opener对象并设置为全局对象 opener = urllib2.build_opener() opener.addheaders = [hearders] urllib2.install_opener(opener) ##获取网页 html = urllib2.urlopen(url).read().decode("utf-8") ##提取需要爬取的内容 data = re.search(par,html).group(2) print type(data) data.encode('gb2312') b = '天气预报' print type(b) c = b + 'n' + data print c weather()
测试后：
➜ /test sudo python test.py <type 'unicode'> <type 'str'>
个人感觉网上说中文乱码通用解决办法都是错误的，因为类型不一样解决方法也不一样，所以最近刚好出现了这种问题，从网上找了很多办法没解决到，最后自己去查看资料，才发现需要对症下药。
这是一个抓取网页代码的python脚本
➜ /test sudo cat file.py #!/usr/bin/python #_*_ coding:UTF-8 _*_ import urllib,urllib2 import re url = 'http://sports.sohu.com/nba.shtml' #抓取的url par = '20180125.*">(.*?)</a></li>' req = urllib2.Request(url) response = urllib2.urlopen(req).read() #response = unicode(response,'GBK').encode('UTF-8') print type(response) print response
遇到的问题：
使用中文抓取中文网页时，print出来的中文会出现乱码
➜ /test sudo python file.py special.wait({ itemspaceid : 99999, form:"bigView", adsrc : 200, order : 1, max_turn : 1, spec :{ onBeforeRender: function(){ }, onAfterRender: function(){ }, isCloseBtn:true//�Ƿ��йرհ�ť } });
解决方法：
查看网页源代码发现charset=GBK的类型所以python中要进行类型转换
➜ /test sudo cat file.py #!/usr/bin/python #_*_ coding:UTF-8 _*_ import urllib,urllib2 import re url = 'http://sports.sohu.com/nba.shtml' #抓取的url par = '20180125.*">(.*?)</a></li>' req = urllib2.Request(url) response = urllib2.urlopen(req).read() response = unicode(response,'GBK').encode('UTF-8') print type(response) print response
➜ /test sudo python file.py special.wait({ itemspaceid : 99999, form:"bigView", adsrc : 200, order : 1, max_turn : 1, spec :{ onBeforeRender: function(){ }, onAfterRender: function(){ }, isCloseBtn:true//是否有关闭按钮 } });
现在已经把中文乱码解决了
import json
#打印字典
dict = {'name': '张三'}
print json.dumps(dict, encoding="UTF-8", ensure_ascii=False) >>>{'name': '张三'}
#打印列表
list = [{'name': '张三'}]
print json.dumps(list, encoding="UTF-8", ensure_ascii=False) >>>[{'name': '张三'}]
