python爬蟲解決gbk亂碼問題

今天嘗試了下爬蟲，爬取一本小說，忘語的凡人修仙仙界篇，當然這樣不好，大家要支持正版。

　　爬取過程中是老套路，先獲取網頁源代碼　　

# -*- coding:UTF-8 -*-
from bs4 import BeautifulSoup
import requests

if __name__ =='__main__':
    url='http://www.biquge.com.tw/18_18998/8750558.html'
    page_req=requests.get(url)
    html=page_req.text
    bf=BeautifulSoup( html)
    texts = bf.find_all('div',id='content')
    print(texts[0].text.replace('\xa0'*8,'\n\n'))

　　結果：亂碼

　　在瀏覽器看下代碼，是gbk編碼，需要進行轉碼，這方面不清楚，查了下資料。
　　PS：爬取的所有網頁無論何種編碼格式，都轉化為utf-8格式進行存儲，與源代碼編碼格式不同所以出現亂碼

 

　　UTF-8通用性比較好，是用以解決國際上字符的一種多字節編碼，它對英文使用8位（即一個字節），中文使用24位（三個字節）來編碼。

　　UTF-8編碼的文字可以在各國各種支持UTF8字符集的瀏覽器上顯示，也就是必須兩者都是utf-8才行。

　　gbk是是國家編碼，通用性比UTF8差，GB2312之類的都算是gbk編碼。

　　GBK包含全部中文字符；UTF-8則包含全世界所有國家需要用到的字符。

　　unicode是一種二進制編碼，所有utf-8和gbk編碼都得通過unicode編碼進行轉譯，即utf-8和gbk編碼之間不能直接轉換。附圖如下：

 

　　python中編碼轉換用到了兩個函數decode（)和encode（）
　　比如：html=page_req.text.encode('iso-8859-1').decode('utf-8')
　　encode('iso-8859-1') 是將gbk編碼編碼成unicode編碼
　　decode(‘gbk’) 是從unicode編碼解碼成gbk字符串

　　由於pycharm只能顯示來自unicode的漢字，代碼修改如下：

# -*- coding:UTF-8 -*-
from bs4 import BeautifulSoup
import requests

if __name__ =='__main__':
    url='http://www.biquge.com.tw/18_18998/8750558.html'
    page_req=requests.get(url)
    html=page_req.text.encode('iso-8859-1')
    bf=BeautifulSoup( html)
    texts = bf.find_all('div',id='content')
    print(texts[0].text.replace('\xa0'*8,'\n\n'))

解決：

附：

GBK

簡單而言，GBK是對GB2312的進一步擴展（K是漢語拼音kuo zhan（擴展）中“擴”字的聲母），
收錄了21886個漢字和符號，完全兼容GB2312。

GB18030

GB18030收錄了70244個漢字和字符，更加全面，與 GB 2312-1980 和 GBK 兼容。
GB18030支持少數民族的漢字，也包含了繁體漢字和日韓漢字。
其編碼是單、雙、四字節變長編碼的。

GB2312

當國人得到計算機后，那就要對漢字進行編碼。在ASCII碼表的基礎上，小於127的字符意義與原來相同；而將兩個大於127的字節連在一起，來表示漢字，前一個字節從0xA1（161）到0xF7（247）共87個字節，稱為高字節，后一個字節從0xA1（161）到0xFE（254）共94個字節，稱為低字節，兩者可組合出約8000種組合，用來表示6763個簡體漢字、數學符號、羅馬字母、日文字等。
在重新編碼的數字、標點、字母是兩字節長的編碼，這些稱為“全角”字符；而原來在ASCII碼表的127以下的稱為“半角”字符。
簡單而言，GB2312就是在ASCII基礎上的簡體漢字擴展。

UTF（UCS Transfer Format）

UTF是在互聯網上使用最廣的一種Unicode的實現方式。我們最常用的是UTF-8，表示每次8個位傳輸數據，除此之外還有UTF-16。
UTF-8長這樣，“你好中國！hello，123”：

你好中国！hello，123

Unicode

准確來說，Unicode不是編碼格式，而是字符集。這個字符集包含了世界上目前所有的符號。
另外，在原來有些字符可以用一個字節即8位來表示的，在Unicode將所有字符的長度全部統一為16位，因此字符是定長的。
Unicode是長這樣的：

\u4f60\u597d\u4e2d\u56fd\uff01\u0068\u0065\u006c\u006c\u006f\uff0c\u0031\u0032\u0033

上面這段Unicode的意思是“你好中國！hello，123”。