搜索

首页  >  问答  >  正文

python - 使用selenium,用PhantomJS抓取网页后保存为.html后出现中文乱码?

保存的html文档中出现中文乱码:
<meta name="keywords" content="鈽呯敤閽㈢惔璇犻噴鍛ㄦ澃浼︹櫔鏃犱笌浼︽瘮涓嶉€濈粡鍏革紝姊︽兂瀹禯eDragon锛岄挗鐞达紝缁忓吀锛岃交闊充箰">

代码:

from selenium import webdriver
browser = webdriver.PhantomJS( )
url = 'http://music.163.com/#/playlist?id=11362719'
browser.get(url)  # 打开网页
browser.switch_to.frame(browser.find_element_by_xpath("//iframe"))
#title = browser.find_elements_by_xpath('//*[@id="play-count"]')
#title = browser.find_elements_by_xpath('//*tr/@class')  
#print(browser.page_source.encoding('utf-8'))
print(browser.page_source,file=open('C:/Users/welwel/Desktop/source.html','w',encoding='utf-8'))
browser.quit()

1.使用type(browser.page_source)查看类型是str,无法使用。decode转换格式
2.用的是win7下python3.5 的IDLE,使用sys.getdefaultencoding()查看默认编码是‘utf-8’
3.直接使用print(browser.page_source)报错:

Traceback (most recent call last):
  File "C:\Users\welwel\Desktop\wangyi.py", line 8, in <module>
print(browser.page_source)
  File "C:\Python35-32\lib\idlelib\PyShell.py", line 1344, in write
return self.shell.write(s, self.tags)
UnicodeEncodeError: 'UCS-2' codec can't encode characters in position 55288-55288: Non-BMP character not supported in Tk

这个问题在第一次爬取网页时使用print(browser.page_source,file=open('C:/Users/welwel/Desktop/source.html','w',encoding='utf-8'))
不会报错,但是加在for循环中就会从第二个开始,出现中文乱码,不知是不是bug。有没有遇到过的。

阿神阿神2768 天前582

全部回复(3)我来回复

  • 黄舟

    黄舟2017-04-18 09:48:03

    试试这样:

    print(browser.page_source.encode('utf-8').decode(), file=open("xxx.html","w", encoding='utf-8'))

    回复
    0
  • 高洛峰

    高洛峰2017-04-18 09:48:03

    雷雷

    回复
    0
  • 高洛峰

    高洛峰2017-04-18 09:48:03

    好吧,我的需求是抓取歌曲的评论&歌曲名称,原本计划将网页爬下来慢慢正则,后来发现爬下来的网页先是第奇数中文正常,偶数中文乱码,(我要爬取50个网页),后来就反过来了。如此说来就是在win7上有bug,linux没装。根据需求使用xpath分析,
    eg:
    ele_com = browser.find_element_by_xpath("//p[@class='cnt f-brk']")
    返回数据正常。还是在cmd上运行。
    所以要是爬个数据就直接用模块上的工具就好了,不要瞎折腾

    回复
    0
  • 取消回复