Python3 中 爬網頁 \uxxx 問題

　　　今天上午在沒事兒爬一下我自己的博客主頁文章練習下。在寫入的時候遇到的編碼問題，折騰了半天 ，記錄一下 

import urllib.request
import time

str1 = urllib.request.urlopen('https://www.cnblogs.com/thelovelybugfly/').read().decode('utf-8')
url = ['']*10
i = 0
title = str1.find(r'postTitle2')
href = str1.find(r'href', title)
html = str1.find(r'.html', title)
while title != -1 and href != -1 and html != -1 and i < 40:
    url[i] = str1[href + 6:html + 5]
    print(url[i])
    title = str1.find(r'postTitle2', html)
    href = str1.find(r'href', title)
    html = str1.find(r'.html', title)
    i = i + 1
else:
    print("find over")
j = 0
while j < 10:
    pagename = urllib.request.urlopen(url[j]).read().decode('utf-8')
    open(r'爬蟲文件/'+url[j][-13:], 'w+').write(pagename)
    print("downlanding artcle", url[j])
    j = j + 1
    time.sleep(2)
else:
    print("download finish")

　　

 　　出現這個問題， 換了各種編碼還是沒解決， 后來 換成 如下 才解決， 

 

使用Python寫文件的時候，或者將網絡數據流寫入到本地文件的時候，大部分情況下會遇到：UnicodeEncodeError: ‘gbk’ codec can’t encode character ‘\xa0’ in position … 這個問題。 網絡上有很多類似的文件講述如何解決這個問題，但是無非就是encode，decode相關的，這是導致該問題出現的真正原因嗎？不是的。 很多時候，我們使用了decode和encode，試遍了各種編碼，utf8，utf-8,gbk,gb2312等等，該有的編碼都試遍了，可是編譯的時 候仍然出現： UnicodeEncodeError: ‘gbk’ codec can’t encode character ‘\xa0’ in position XXX。 崩潰了。

    在windows下面編寫python腳本，編碼問題很嚴重。

    將網絡數據流寫入文件時時，我們會遇到幾個編碼：

    1： #encoding=’XXX’ 這里(也就是python文件第一行的內容)的編碼是指該python腳本文件本身的編碼，無關緊要。只要XXX和文件本身的編碼相同就行了。 比如notepad++ “格式”菜單里面里可以設置各種編碼，這時需要保證該菜單里設置的編碼和encoding XXX相同就行了，不同的話會報錯

    2：網絡數據流的編碼 比如獲取網頁，那么網絡數據流的編碼就是網頁的編碼。需要使用decode解碼成unicode編碼。

    3：目標文件的編碼 要將網絡數據流的編碼寫入到新文件，那么我么需要指定新文件的編碼。寫文件代碼如：

f.write(txt)

 

，那么txt是一個字符串，它是通過decode解碼過的字符串。關鍵點就要來了：目標文件的編碼是導致標題所指問題的罪魁禍首。如果我們打開一個文件：

 f = open("out.html","w")

，在windows下面，新文件的默認編碼是gbk，這樣的話，python解釋器會用gbk編碼去解析我們的網絡數據流txt，然而txt此時已經是decode過的unicode編碼，這樣的話就會導致解析不了，出現上述問題。 解決的辦法就是，改變目標文件的編碼：

f = open("out.html","w",encoding='utf-8')

 

  總結: 

 python 編碼真的是一個頭疼的問題。