使用BeautifulSoup爬取“0daydown”站点的信息（2）——字符编码问题解决

上篇中的程序实现了抓取0daydown最新的10页信息。输出是直接输出到控制台里面。再次改进代码时我准备把它们写入到一个TXT文档中。这是问题就出来了。

最初我的代码例如以下：

#-*- coding: utf-8 -*-
#-------------------------------------
#version: 0.1
#note:实现了查找0daydown最新公布的10页资源。

#-------------------------------------
#-------------------------------------
#version: 0.2
#note:在v0.1基础上输出内容到一个指定TXT文件里
#-------------------------------------

import urllib.request
import sys
import locale

from bs4 import BeautifulSoup

print(locale.getdefaultlocale())

old = sys.stdout        #保存系统默认输出
fp = open("test1.txt",'w')
#fp = open("test1.txt",'w', encoding="utf-8")    #以utf-8进行文件编码
sys.stdout = fp         #输出重定向到一个文件里

for i in range(1,11):
	url = "http://www.0daydown.com/page/" + str(i)	#每一页的Url仅仅需在后面加上整数即可
	page = urllib.request.urlopen(url)
	soup_packtpage = BeautifulSoup(page)
	page.close()
	num = " The Page of: " + str(i)		#标注当前资源属于第几页
	print(num)
	print("#"*40)
	for article in soup_packtpage.find_all('article', class_="excerpt"):	#使用find_all查找出当前页面公布的全部最新资源
		print("Category:".ljust(20), end=''), print(article.header.a.next)   #category
		print("Title:".ljust(20), end=''), print(article.h2.string)       #title    
		print("Pulished_time:".ljust(19), end=''), print(article.p.find('i', class_="icon-time icon12").next)  #published_time
		print("Note:", end='')
		print(article.p.find_next_sibling().string)    #note
		print('-'*50)

fp.close()
sys.stdout = old    #恢复系统默认输出
print("Done!")
input() #等待输入。为了不让控制台执行后马上结束。

执行文件后报错：错误信息例如以下：

Traceback (most recent call last):
  File "E:codefileSoupdaydown - 0.2.py", line 37, in <module>
    print(article.p.find_next_sibling().string)    #note
UnicodeEncodeError: 'gbk' codec can't encode character 'xa0' in position 117: illegal multibyte sequence

从文中能够看出是Unicode编码错误，说gbk不能编码xa0这个字节。就字符编码这个问题我看了好多文章，查阅了好多资料。新手没办法。只是还好弄懂了。

最初的时候我根本毫无头绪，查看网上的一些文章開始模仿进行encode.decode的。根本没实用。输出仍然有问题，不抛出异常了。可是根本看不到汉字了。全是一些x..这样的替代了。

问题要追根朔源。我连主要的字符编码和字符集这些东西都没有搞清楚。怎么能解决这个问题呢？于是我搜索这方面相关文章，给出我认为好的文章的链接例如以下：

字符编码具体解释   这篇文章尽管长，可是作者总结的太具体了，看了后收获非常大。

于是我想为什么写入到文件里就会报错呢？而命令行输出就没有这个问题。难道文件有问题？文件的编码有问题？我顺着这个问题找到了一篇讲Python3的文件的文章，非常好，链接例如以下：

Python3的文件  当中里面写到了文件的编码，原来打开文件时是能够指定文件编码的。假设不指定，那么文件默认採用什么编码方式呢？这篇文章做出了具体的解释。

我的源码中打开文件的方式是：fp = open("test1.txt",'w')，结果抛出异常，从上面抛出的异常能够说明默认打开文件，文件的编码方式是gbk。而GBK是不能编码xa0这个字符的，查了下这个字符，原来是HTML中特有的空字符&nbsp。

要爬取的网页默认的编码方式是utf-8。说明utf-8是能编码这个字符的。那么我们能够指定文件的编码方式不呢？答案是能够。原来open中还有个參数是encoding，用来指定编码方式，假设我们指定它为utf-8会如何？以下是正确的代码，不同的仅仅是把fp = open("test1.txt",'w')变为了fp = open("test1.txt",'w', encoding="utf-8")。代码例如以下：

#-*- coding: utf-8 -*-
#-------------------------------------
#version: 0.1
#note:实现了查找0daydown最新公布的10页资源。
#-------------------------------------
#-------------------------------------
#version: 0.2
#note:在v0.1基础上输出内容到一个指定TXT文件里
#-------------------------------------

import urllib.request
import sys

from bs4 import BeautifulSoup

old = sys.stdout        #保存系统默认输出
#fp = open("test1.txt",'w')
fp = open("test1.txt",'w', encoding="utf-8")    #以utf-8进行文件编码
sys.stdout = fp         #输出重定向到一个文件里

for i in range(1,11):
	url = "http://www.0daydown.com/page/" + str(i)	#每一页的Url仅仅需在后面加上整数即可
	page = urllib.request.urlopen(url)
	soup_packtpage = BeautifulSoup(page)
	page.close()
	num = " The Page of: " + str(i)		#标注当前资源属于第几页
	print(num)
	print("#"*40)
	for article in soup_packtpage.find_all('article', class_="excerpt"):	#使用find_all查找出当前页面公布的全部最新资源
		print("Category:".ljust(20), end=''), print(article.header.a.next)   #category
		print("Title:".ljust(20), end=''), print(article.h2.string)       #title    
		print("Pulished_time:".ljust(19), end=''), print(article.p.find('i', class_="icon-time icon12").next)  #published_time
		print("Note:", end='')
		print(article.p.find_next_sibling().string)    #note
		print('-'*50)

fp.close()
sys.stdout = old    #恢复系统默认输出
print("Done!")
input() #等待输入，为了不让控制台执行后马上结束。

执行后，无错误产生，成功写入文件。打开文件，显演示样例如以下：

能够看出，输出结果与上一篇命令行输出的结果是一样的。圆满解决，OK！！

另外，今天抽出时间学了下Github。早闻大名，看了下介绍。发现非常强大，跟着官网教程Helloworld入了下门，注冊了个帐号。准备以后代码都放在那上面了。