用chardect库解决网页乱码问题

2024-02-01 08:33:22

写爬虫时经常对网址发起请求，结果返回的html数据除了标签能看懂，其他的全部是乱码。大家如果对爬虫感兴趣，请耐心阅读本文，我们就以百度风雨榜爬虫为例学习下乱码处理问题。

http://top.baidu.com/buzz?b=1

百度风云榜一共有50个关键词，我们先任选其中一个打开看看。

一、实验目的
我们的目的是学会使用chardect库，对乱码内容进行处理。本文会以一个具体的例子，通过实战的方式获取正确编码的数据。

二、代码实战
2.1 定位关键词及其链接
F12键盘打开开发者工具，我们定位关键词及其对应的html标签。在这里我们使用pyquery库定位 class属性为'keyword'的td。


#百度风云榜页面网址(含有50个热门新闻的关键词)
fengyunbang_url = 'http://top.baidu.com/buzz?b=1'

resp = requests.get(fengyunbang_url)

#从html文件中解析出  事件字段和 网址字段
doc = PyQuery(resp.text)
for item in doc.items('.keyword'):
    keyword = item('a').text().split(' ')[0]

    keyword_link=item('a').attr.href    
    print(keyword,keyword_link)

运行，结果keyword全部为乱码，没有一点中文的痕迹。

这就是我们今天要克服的问题-html编码问题。

遇到这种问题问题，我们可能会先在html标签中查找charset字符集。一般charset值有utf-8、gbk、gb2312、ascii等。

再次运行,汉字正常显示。

2.2 定位搜索页面新闻链接
上面我们获取到了关键词及其链接，浏览器点击“46年吃3万个汉堡”对应的链接，跳转到百度搜索页，如下图。

我们想获取新闻内容，而要获取新闻内容，我们就要知道新闻对应的链接。首先我们要定位,如下图。这里我们使用另外一种方式定位链接-正则表达式。


def get_keywords_news_links(keyword_link):
    """
    访问关键词百度网址，得到相关新闻的link
    :param keyword_link:
    :return:
    """
    headers = {'User-Agent': '你的user-agent'}

    resp = requests.get(keyword_link, headers=headers)

    bsObj = BeautifulSoup(resp.text, 'html.parser')

    news_items = bsObj.find_all('div', {'class': 'result c-container '})

    news_links = []
    for item in news_items:

        links = re.findall('href="(.*?)"', str(item))

        news_links.extend(links)

    #防止链接重复
    news_links = set(news_links)
    return news_links

但是后来发现有的链接是无法访问的，比如运行中居然抽取出含有http://cache.baiducontent***这种的网页，经过测试，只要剔除掉这种链接，剩下的都为有效链接。

2.3 获取新闻文本内容
有了上文获取到的链接，我们写个简单的代码获取文本内容。由于获取到的网址来源成百上千的网站，如果要精确获取新闻内容，需要对每一个网站一对一的进行定位。这样太麻烦，为了快速方便，我们使用正则匹配出所有的中文内容。


def get_news_content(link):
    """
    根据新闻网址，获取新闻数据
    :return:  新闻内容
    """
    resp = requests.get(link)
    #最终只有汉字保留。
    news_text = ''.join(re.findall('[\u4e00-\u9fa5]+', resp.text))

    return news_text

但是运行过程中，经常返回空。说明正则匹配中文时候匹配不到。很可能的原因是页面中没有中文，但是我们检测了这些页面都是有中文的，那么很有可能是因为页面乱码，导致正则[\u4e00-\u9fa5]+无法匹配到中文。经过检测，真的是乱码。解决办法resp.encoding='编码'。但是编码是什么值呢？这里我用新的方法，chardect库检测二进制数据中采用的编码方式。


def get_news_content(link):
    """
    根据新闻网址，获取新闻数据
    :return:  新闻内容
    """
    resp = requests.get(link)

    news_text = ''.join(re.findall('[\u4e00-\u9fa5]+', 
    resp.text))

    #网页乱码，导致news_text为空
    if not news_text:
        #根据二进制数据检测html的编码。resp.content获取html二进制数据
        encoding = resp.content['encoding']
        chaset = chardet.detect(encoding)
        #解决编码问题
        resp.encoding = chaset
        news_text = ''.join(re.findall('[\u4e00-\u9fa5]+', resp.text))

        return news_text    
    return news_text

2.4 编写爬虫主函数
编写爬虫主函数，将数据保存到csv中。


#主函数，访问并保存所有的新闻数据
def FetchAndSave():
    #百度风云榜页面网址(含有50个热门新闻的关键词)
    fengyunbang_url = 'http://top.baidu.com/buzz?b=1'
    resp = requests.get(fengyunbang_url)
    resp.encoding='gb2312'

    #新建excel文件保存数据。
    csvf = open('data.csv', 'a+', encoding='gbk', newline='') as csvf

    writer = csv.writer(csvf)
    writer.writerow(('news_content', 'keyword'))

    #从heml文件中解析出  事件字段和 网址字段
    doc = PyQuery(resp.text)
    for item in doc.items('.keyword'):
        keyword = item('a').text().split(' ')[0]

        keyword_link = item('a').attr.href

        news_links = get_keywords_news_links(keyword_link)

        for news_link in news_links:
            try:
                content = get_news_content(news_link)
                #防止空内容写入csv中
                if content:
                    writer.writerow((content, keyword))
            except:
                print(news_link)

#运行爬虫
FetchAndSave()

运行爬虫，采集了50个关键词共388篇新闻内容。

有问题，问大邓
项目代码链接: https://pan.baidu.com/s/1f6tjIodW_RD1SXrdskdXdw 密码: sqfb

码农公寓

相关文章