这是一个创建于 4090 天前的主题，其中的信息可能已经有所发展或是发生改变。
代码在这里：http://pastebin.com/mdizARWA
采集到的数据是gbk的，插入数据库的时候要转成utf8的，试过decode encode各种模式，都无法解决乱码的问题，文件的编码是utf-8 无bom的。
采集到的数据是gbk的，插入数据库的时候要转成utf8的，试过decode encode各种模式，都无法解决乱码的问题，文件的编码是utf-8 无bom的。
 |
1
54dev OP 现在的问题是：插入到数据库的全是乱码，实在是不知道怎么转换了。
|
 |
2
swulling 2013-09-13 14:37:22 +08:00
1. MySQL建表时有没有指定UTF8?，这个很容易遗漏
2. 不要用sys.setdefaultencoding('utf-8')，这是一种ugly的，无用，错误的设置 3. pyquery处理前，先讲网页内容从gbk转换为unicode，注意是unicode 用 decode("gbk") 4. 插入MySQL的时候，直接插Unicode就行了，会自动转换成UTF-8的。没必须手工转换 |
 |
3
pigletfly 2013-09-13 14:41:00 +08:00
decode('gbk').encode('utf-8')试下
|
|
4
54dev OP 先去给同事修个电脑，回来继续test
|
|
5
54dev OP @swulling 谢谢你的解答，好多pyquery的编码都有你的身影，也根据你在别的贴子里的回复做过调试
1，mysql表的整理选项是utf8_general_ci 2,这个我再试一下不要setdefaultencoding('utf-8')的情况下decode('gbk'),我终端是utf8编码 的 3，是，我也注意到这个问题，但我我拿到采集后，连unicode都打印不出来 |
|
7
54dev OP @swulling
print price.decode('gbk') 会报错 print price.decode('gbk') UnicodeEncodeError: 'ascii' codec can't encode characters in position 0-1: ordinal not in range(128) |
|
8
54dev OP @pigletfly
print price.decode('gbk') 会报错 UnicodeEncodeError: 'ascii' codec can't encode characters in position 0-1: ordinal not in range(128) |
|
9
swulling 2013-09-13 16:13:22 +08:00  1
@54dev 是这样的，你这是用了PyQuery直接来获取Url，这样面对非utf-8的页面就会解析错误
比如将你的price显示出来是这样： In [9]: price Out[9]: u'\xa3\xa4196.20 \xa3\xa4185.01 \xa3 完全乱了，虽然也可以用一些方法处理为正常，不过就ugly了 所以我建议你用一个库去抓网页，比如requests甚至简单点用urlib，然后 decode('gbk') 转换为Unicode交给PyQuery，而不是直接用pq去抓 话说我刚刚尝试了下requests去抓，不知道是不是新版本的特性，可以自动识别页面编码了。抓回来就是unicode，直接扔给pq就是 ret=requests.get(url="http://s.taobao.com/search?q=%BB%A7%CD%E2%B0%FC",headers={'user-agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_8_4) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/28.0.1500.95 Safari/537.36'}) p=pq(ret.text) In [19]: print p(".row-focus .price").text() ￥196.20 ￥185.01 ￥268.00 ￥166.00 ￥26.90 ￥185.00 ￥49.00 ￥168.00 ￥58.00 ￥110.00 ￥55.00 ￥87.50 ￥135.00 ￥22.00 ￥45.00 ￥58.00 ￥118.00 ￥20.00 ￥157.50 ￥68.00 ￥188.00 ￥55.00 ￥109.45 ￥88.00 ￥88.00 ￥368.00 ￥99.00 ￥66.00 ￥18.00 ￥55.00 ￥106.20 ￥55.00 ￥256.80 ￥330.00 ￥45.00 ￥562.00 ￥52.20 ￥98.00 ￥218.00 ￥38.90 ￥208.00 ￥138.00 ￥129.00 ￥108.00 |
|
10
swulling 2013-09-13 16:15:02 +08:00
In [18]: p(".row-focus .price").text()
Out[18]: u'\uffe5196.20 \uffe5185.01 \uffe5268.00 \uffe5166.00 \uffe526.90 \uffe5185.00 \uffe549.00 \uffe5168.00 \uffe558.00 \uffe5110.00 \uffe555.00 \uffe587.50 \uffe5135.00 \uffe522.00 \uffe545.00 \uffe558.00 \uffe5118.00 \uffe520.00 \uffe5157.50 \uffe568.00 \uffe5188.00 \uffe555.00 \uffe5109.45 \uffe588.00 \uffe588.00 \uffe5368.00 \uffe599.00 \uffe566.00 \uffe518.00 \uffe555.00 \uffe5106.20 \uffe555.00 \uffe5256.80 \uffe5330.00 \uffe545.00 \uffe5562.00 \uffe552.20 \uffe598.00 \uffe5218.00 \uffe538.90 \uffe5208.00 \uffe5138.00 \uffe5129.00 \uffe5108.00' 看来没有，unicode的字符串开头有小u，然后内容也是很容易看出来的\u开头的字符，python里面直接print unicode的字符串会自动转换为终端编码，比较方便 |
|
11
54dev OP @swulling 谢谢，最终还是用你的request方法解决了，在回贴之前我看到有人说淘宝的编码可能是gb18030的，我试着用BeautifulSoup先把内容抓下来再去用pq处理，
像这样的方法 page = urllib2.urlopen('http://s.taobao.com/search?q=%BB%A7%CD%E2%B0%FC'); soup = BeautifulSoup(page,fromEncoding="gb18030") d = pq(soup. prettify()) 但还是会出现乱码。。。我觉得还是因为没有正常识别所采集网页编码 的问题 从写这个脚本开始，我只知道pquery和beautifulsoup是采集的库，其他的还不太了解，而且刚接触这个语言就遇到编码 的问题，的确很头痛，不过谢谢你啦。 |
 |
12
holmesabc 2013-09-13 17:12:59 +08:00
你用gb18030试试
|
|
13
swulling 2013-09-13 17:19:02 +08:00
@54dev 我用urllib试了下，没问题啊，为啥要加beautifulsoup?
import urllib page = urllib.urlopen('http://s.taobao.com/search?q=%BB%A7%CD%E2%B0%FC').read() d=pq(page.decode('gbk')) In [11]: print d(".row-focus .price").text() ￥196.20 ￥185.01 ￥268.00 ￥166.00 ￥26.90 |
 |
14
Ziya 2013-09-13 17:28:57 +08:00 1
@54dev
requests 现在会根据header判断字符集，一般情况下直接获取的结果，就是转换后的unicode了 就算没能自动识别也可以用指定编码的形式，所以用requests，基本可以保证「采集回来的就是Unicode」 之后进行下一步处理就可以了，不用再考虑抓回来的是 GBK 怎么办，是GB18030怎么办…… In [1]: import requests In [2]: url = 'http://s.taobao.com/search?q=%BB%A7%CD%E2%B0%FC' In [3]: r = requests.get(url) In [4]: type(r.text) Out[4]: unicode In [5]: print r.text[900:1000] ; window.givenByFE = { currentPage: "mainsrp", //有些模块出现在首屏但是却是在特殊情况才 |
Select Language