08 python之网络爬虫之乱码问题

乱码问题有三种解决方式，下面我们通过一个示例进行理解

示例：

       爬取4k美女壁纸中的图片   http://pic.netbian.com/4kmeinv/

import requests
from lxml import etree
import os
from urllib import request

if not os.path.exists("4kmeimei"):
os.mkdir("4kmeimei")

headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/67.0.3396.99 Safari/537.36'
}

url = 'http://pic.netbian.com/4kmeinv/'
# 第一种去除乱码方式  -> 直接拿到乱码的文本内容，进行解码

page_text = requests.get(url=url,headers=headers).content.decode("gbk")

# 第二种去除编码的格式 -> 常规使用，拿到对象进行编码，在取出文本
response = requests.get(url=url,headers=headers)
response.encoding = 'gbk'
page_text = response.text

# 第三种去除编码的格式 -> 比较麻烦，但最好用
response = requests.get(url=url,headers=headers)
# 检查请求到的源码数据的编码个格式
# print(response.encoding)
page_text = response.text

# 第三种这么麻烦为什么要去这样写呢？
# 好处：这样写，几乎任何形式的乱码，都可以处理

# # print(page_text)

# 实例化一个etree对象
tree = etree.HTML(page_text)
li_list = tree.xpath('//div[@class="slist"]/ul/li')
for li in li_list:
img_src = li.xpath('./a/@href')[0]
img_src = "http://pic.netbian.com" + img_src
img_name = li.xpath('./a/img/@alt')[0]
# img_name = img_name.encode('ISO-8859-1').decode("gbk") #第三种去除编码格式
# print(img_src,img_name)

detail_page_text = requests.get(url=img_src,headers=headers).content.decode("gbk")
# 实例化一个etree对象，跟上面哪个实例化对象没有关系
tree = etree.HTML(detail_page_text)
detail_img_src = tree.xpath('//a[@id="img"]/img/@src')[0]
detail_img_src = "http://pic.netbian.com" + detail_img_src
detail_img_name = tree.xpath('//a[@id="img"]/img/@alt')[0]
# print(detail_img_src,detail_img_name)
imgPath = "4kmeimei" + detail_img_name + ".jpg"
request.urlretrieve(url=detail_img_src,filename=imgPath)
print(detail_img_name + "下载成功")
print("下载完毕！！！")

　　

在爬取过程中，建议先使用前两种，如果不能解决乱码问题，在使用最后一种