这两天写了个监测网页的爬虫,作用是跟踪一个网页的变化,但运行了一晚出现了一个问题。。。。希望大家不吝赐教!
我用的是python3,错误在对html response的decode时抛出,代码原样为:
response = urllib.urlopen(dsturl) content = response.read().decode(\'utf-8\')
抛出错误为
File \"./unxingCrawler_p3.py\", line 50, in getNewPhones content = response.read().decode() UnicodeDecodeError: \'utf8\' codec can\'t decode byte 0xb2 in position 24137: invalid start byte
之前运行都没问题,经过一晚上就出现了。。。。最不明白的是在它声明为utf-8编码的网页中为什么会出现utf-8无法解析的字符?
后来经过热心网友的提醒,才发现需要使用decode(\'utf-8\', \'ignore\')
为了彻底闹明白python的编码问题,特分享下文,希望对大家熟悉python的编码问题带来些帮助
1.从字节说起:
一个字节包括八个比特位,每个比特位表示0或1,一个字节即可表示从00000000到11111111共2^8=256个数字。一个ASCII编码使用一个字节(除去字节的最高位作为作奇偶校验位),ASCII编码实际使用一个字节中的7个比特位来表示字符,共可表示2^7=128个字符。比如ASCII编码中的01000001(即十进制的65)表示字符\’A\’,01000001加上32之后的01100001(即十进制的97)表示字符\’a\’。现在打开Python,调用chr和ord函数,我们可以看到Python为我们对ASCII编码进行了转换。如图
第一个00000000表示空字符,因此ASCII编码实际上只包括了 字母、标点符号、特殊符号等共127个字符。因为ASCII是在美国出生的,对于由字母组成单词进而用单词表达的英文来说也是够了。但是中国人、日本人、 韩国人等其他语言的人不服了。中文是一个字一个字,ASCII编码用上了浑身解数256个字符都不够用。
因此后来出现了Unicode编码。Unicode编码通常由两个字节组成,共表示256*256个字符,即所谓的UCS-2。某些偏僻字还会用到四个字节,即所谓的UCS-4。也就是说Unicode标准也还在发展。但UCS-4出现的比较少,我们先记住: 最原始的ASCII编码使用一个字节编码,但由于语言差异字符众多,人们用上了两个字节,出现了统一的、囊括多国语言的Unicode编码。
在Unicode中,原本ASCII中的127个字符只需在前面补一个全零的字节即可,比如前文谈到的字符‘a\’:01100001,在Unicode中变成了00000000 01100001。不久,美国人不开心了,吃上了世界民族之林的大锅饭,原本只需一个字节就能传输的英文现在变成两个字节,非常浪费存储空间和传输速度。
人们再发挥聪明才智,于是出现了UTF-8编码。因为针对的是空间浪费问题,因此这种 UTF-8编码是可变长短的 ,从英文字母的一个字节,到中文的通常的三个字节,再到某些生僻字的六个字节。解决了空间问题,UTF-8编码还有一个神奇的附加功能,那就是兼容了老大哥的ASCII编码。一些老古董软件现在在UTF-8编码中可以继续工作。
注意除了英文字母相同,汉字在Unicode编码和UTF-8编码中通常是不同的。比如汉字的‘中\’字在Unicode中是01001110 00101101,而在UTF-8编码中是11100100 10111000 10101101。
我们祖国母亲自然也有自己的一套标准。那就是GB2312和GBK。当然现在挺少看到。通常都是直接使用UTF-8。
2.Python3中的默认编码
Python3中默认是UTF-8,我们通过以下代码:
import sys sys.getdefaultencoding()
可查看Python3的默认编码。
3.Python3中的encode和decode
Python3中字符编码经常会使用到decode和encode函数。特别是在抓取网页中,这两个函数用的熟练非常有好处。encode的作用,使我们看到的直观的字符转换成计算机内的字节形式。decode刚好相反,把字节形式的字符转换成我们看的懂的、直观的、“人模人样”的形式。
\\x表示后面是十六进制, \\xe4\\xb8\\xad即是二进制的 11100100 10111000 10101101。也就是说汉字‘中\’encode成字节形式,是 11100100 10111000 10101101。同理,我们拿 11100100 10111000 10101101也就是 \\xe4\\xb8\\xad来decode回来,就是汉字‘中\’。完整的应该是 b\’\\xe4\\xb8\\xad\’,在Python3中, 以字节形式表示的字符串则必须加上 前缀b,也就是写成上文的b\’xxxx\’形式。
前文说的Python3的默认编码是UTF-8,所以我们可以看到,Python处理这些字符的时候是以UTF-8来处理的。因此从上图可以看到,就算我们通过encode(\’utf-8\’)特意把字符encode为UTF-8编码,出来的结果还是相同:b\’\\xe4\\xb8\\xad\’。
明白了这一点,同时我们知道UTF-8兼容ASCII,我们可以猜想大学时经常背诵的‘A\’对应ASCII中的65,在这里是不是也能正确的decode出来呢。十进制的65转换成十六进制是41,我们尝试下:
b\'\\x41\'.decode()
结果如下。果然是字符‘A\’
4.Python3中的编码转换
据说字符在计算机的内存中统一是以Unicode编码的。只有在字符要被写进文件、存进硬盘或者从服务器发送至客户端(例如网页前端的代码)时会变成utf-8。但其实我比较关心怎么把这些字符以Unicode的字节形式表现出来,露出它在内存中的庐山正面目的。这里有个照妖镜:
xxxx.encode/decode(\'unicode-escape\')
b\’\\\\u4e2d\’还是b\’\\u4e2d,一个斜杠貌似没影响。同时可以 发现在shell窗口中,直接输 \’\\u4e2d\’和输入b \’\\u4e2d\’.decode(\’unicode-escape\’)是相同的,都会打印出汉字‘中\’, 反而是 \’\\u4e2d\’.decode(\’unicode-escape\’)会报错。说明 说明Python3不仅支持Unicode,而且一个‘\\uxxxx\’格式的 Unicode字符 可被辨识且被等价于str类型。
如果我们知道一个Unicode字节码,怎么变成UTF-8的字节码呢。懂了以上这些,现在我们就有思路了,先decode,再encode。代码如下:
xxx.decode(\'unicode-escape\').encode()
最后的扩展
还记得刚刚那个ord吗。时代变迁,老大哥ASCII被人合并,但ord还是有用武之地。试试ord(\’中\’),输出结果是20013。20013是什么呢,我们再试试hex(ord(\’中\’)),输出结果是\’0x4e2d\’,也就是20013是我们在上文见面了无数次的x4e2d的十进制值。这里说下hex,是用来转换成十六进制的函数,学过单片机的人对hex肯定不会陌生。
最后的扩展,在网上看到的他人的问题。我们写下类似于\’\\u4e2d\’的字符,Python3知道我们想表达什么。但是让Python读取某个文件的时候出现了\’\\u4e2d\’,是不是计算机就不认识它了呢?后来下文有人给出了答案。如下:
import codecs file = codecs.open( \"a.txt\", \"r\", \"unicode-escape\" ) u = file.read() print(u)