6.1 非UTF-8編碼的文件
這邊的範例會去爬兩張非UTF-8編碼的網頁, 其中, 在取得response的時候, 就可以先指定原文件的編碼, 方式如下:
# 表示爬回來的網頁內容是以BIG-5編碼為基礎的
resp.encoding = 'big5'
最後, 在處理完資料然後要儲存成檔案時, 再轉換成UTF-8編碼:
with open('xxx.txt', 'w', encoding='UTF-8') as file:
這樣最後儲存的結果就會是UTF-8編碼了.
import requests
from bs4 import BeautifulSoup
def baidu_encoding():
resp = requests.get('https://zhidao.baidu.com/question/48795122.html')
resp.encoding = 'gbk'
soup = BeautifulSoup(resp.text, 'html.parser')
title = soup.find('span', 'ask-title').text.strip()
content = soup.find('span', 'con').text.strip().replace('\n', '')
print('title', title)
print('content', content)
try:
with open(title + '.txt', 'w', encoding='UTF-8') as file:
file.write(content)
except Exception as e:
print(e)
def gold_66_encoding():
resp = requests.get('http://www.books.com.tw/activity/gold66_day/')
resp.encoding = 'big5'
soup = BeautifulSoup(resp.text, 'html.parser')
books = list()
for div in soup.find_all('div', 'sec_day'):
books.append(div.h1.a.text + div.find_all('h2')[1].text + div.find_all('h2')[2].text)
print('\n'.join(books))
try:
with open('66.txt', 'w', encoding='UTF-8') as file:
file.write('\n'.join(books))
except Exception as e:
print(e)
if __name__ == '__main__':
baidu_encoding()
gold_66_encoding()
輸出結果:
title 网页出现乱码,浏览器字体问题。
content 打网页全乱码点击查看-编码没字体选择两选项左右文档右左文档点击Internet选项点击:字体没反应请问办
再怎麼身體僵硬的人都可以唰ㄚ∼的劈腿,享受身心柔軟的神奇伸展法定價:300元66折優惠價:198元
最會說故事的日本史:不必死記年代、人名,翻到哪讀到哪,課本沒講的、日劇沒演的,一看全明白。定價:340元66折優惠價:224元
徒步中國:從北京走到新疆 一個德國人4646公里的文化長路探索定價:380元66折優惠價:251元
用得到的化學:建構世界的美妙分子定價:700元66折優惠價:462元
勇敢小火車:卡爾的特別任務(加贈劇場版故事CD)定價:360元66折優惠價:238元
麵包的藝術:老麵麵種、食材應用、揉麵技法與長時間低溫發酵:紐約最強麵包大師 超過20年烘焙修練精華,頂級口感與風味技藝總整理定價:1200元66折優惠價:647元
年年18%,一生理財這樣做就對了定價:350元66折優惠價:231元
Process finished with exit code 0
原始碼點我
Last updated