乱码问题描述
在爬取网页时,出现中文乱码情况,如下图:
原因:源网页编码和爬取下来后的编码格式不一致
利用encode和decode解决乱码问题
字符串在python内部的表示是Unicode编码,在做编码转换时,通常需要以Unicode作为中间编码,即先将其他编码的字符串解码(decode)成Unicode,再从Unicode编码(encode)成另一种编码
decode的作用是将其他编码的字符串转换成Unicode编码,如str1.decode(“gb2312”),表示将gb2312编码的字符串str1转换成Unicode编码
encode的作用是将Unicode编码转换成其他编码的字符串,如str2.encode(“utf-8”),表示将Unicode编码的字符串str2转换成utf-8编码
decode中写的是想爬取的源网页的编码,或者文本文件的编码,encode是自己想设置的编码
转码–bytes与str之间的互转
在bytes和str的互相转换过程中,实际就是编码解码的过程,必须显式地指定编码格式
str转bytes
h = "字符串str"
# h为字符串
print(type(h)) #<class 'str'>
# 字符串转换为bytes类型,方式一
bytes1 = h.encode("utf-8")
print(type(bytes1)) #<class 'bytes'>
print(bytes1) #b'\xe5\xad\x97\xe7\xac\xa6\xe4\xb8\xb2str'
# 字符串转换为bytes类型,方式二
bytes2 = bytes(h, encoding="utf-8")
print(type(bytes2)) #<class 'bytes'>
print(bytes2) #b'\xe5\xad\x97\xe7\xac\xa6\xe4\xb8\xb2str'
bytes是一种比特流(字节流),它的存在形式是10010101101
这种。我们无论是在写代码,还是阅读文章的过程中,肯定不会有人直接阅读这种比特流,它必须有一个编码方式,使得它变成有意义的比特流,而不是一堆晦涩难懂的01组合。
从上面例子可以看出,h是个字符串类型。Python有个内置函数bytes()可以将字符串str类型转换成bytes类型,bytes1实际上是一串01的组合,但为了在ide环境中让我们相对直观的观察,它被表现成了b’\xe5\xad\x97\xe7\xac\xa6\xe4\xb8\xb2str’这种形式,开头的b表示这是一个bytes类型。\xe5是十六进制的表示方式,它占用1个字节的长度,因此==“字符串str”被编码成utf-8后,我们可以数得出一共用了12个字节,每个汉字占用3个,英文字母用1个==。在使用内置函数bytes()的时候,必须明确encoding的参数,不可省略。
字符串类str里有一个encode()方法,它是从字符串向字节流的编码过程。而bytes类型恰好有个decode()方法,它是从字节流向字符串解码的过程
bytes转str
H = b'\xe5\xad\x97\xe7\xac\xa6\xe4\xb8\xb2str'
# H为bytes
print(type(H)) #<class 'bytes'>
# bytes装换为字符串,方式一
string2 = H.decode("utf-8") #默认参数为utf-8
print(type(string2)) #<class 'str'>
print(string2) #字符串str
# bytes转换为字符串,方式二
string1 = str(H, "utf-8")
print(type(string1)) #<class 'str'>
print(string1) #字符串str