网站名称不能写出来,要不然会因为被认为侵权而发布不了问题
写了一个最基础的爬虫去访问某网站(加了请求头),状态码200,爬出来的网页源代码是一段乱码
代码(原文件已经删了):
import requests
url='https://www.douban.com'
headers={中间是什么忘了,总之包含了User-agent和Referer}
r=requests.get(url,headers=headers)
r.text.encode('utf=8')
print(r.statu_code)
print(r.text)
成功访问,r.text是一大段的乱码?
爬取某网站的原文件已经给我删了,以同样的方法访问另一个网站首页是一部分乱码,用浏览器看了一下网页源代码,发现乱码部分好像大多在引号内
把r.text写进html文件里(utf-8转gbk):
加encode('gbk')无法转换
还有我把这个程序改动了去爬某个视频网站首页,
https://www.bilibili.com
用了网上介绍的几种反反爬,出来的只有一小块,是源代码真就这么点,还是它设置了其他反爬?
(网页名称只能这么写了,不然不让提交)
有点怪,源代码在我的环境里运行后,没有乱码。
想了想,有可能是如下原因导致乱码:
(1)在用户未知的情况下,环境自动按某种格式编译了内容,然后在反复、不对应的编译格式转换下出现乱码。
(2)指定的编码格式不正确。
可能可行的解决方案:
(1)避免指定错误的编译格式。
(2)使用其他的模块以避免编译错误。(如bs4等)
我用的应该是virturevenv下的IDLE。
请问您的环境是?
没有乱码啊
with open('e:/test.html','w',encoding='utf-8') as f:
f.write(r.text)