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