吾爱破解 - LCG - LSG |安卓破解|病毒分析|www.52pojie.cn

 找回密码
 注册[Register]

QQ登录

只需一步,快速开始

查看: 1317|回复: 10
收起左侧

[求助] python爬虫数据乱码?

[复制链接]
double07 发表于 2021-6-21 09:52
最近研究房产数据,把安居客的数据抓了一把,但发现部分数据有乱码,不知如何改进代码?
[Python] 纯文本查看 复制代码
import time
import chardet
import pandas as pd
import requests
from lxml import etree

p = 0
data_list = []
st = time.strftime("%Y-%m-%d", time.localtime())

header = {
    'user-agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/91.0.4472.77 Safari/537.36',
    'cookie':
}



def gethtml_detail(url):
    retry_count = 4
    proxy = get_proxy().get("proxy")
    while retry_count > 0:
        try:
            response = requests.get(url, headers=header, proxies={"http": "http://{}".format(proxy)})
            encodingInfo = chardet.detect(response.content)
            r_response = response.content.decode(encodingInfo['encoding'], 'ignore').replace("变卖价", "起拍价")
            return r_response
        except Exception:
            retry_count -= 1
            delete_proxy(proxy)
    return None


def area_link(html):
    html = etree.HTML(html)
    link_list = []
    links = html.xpath('//*[@id="__layout"]/div/section/section[2]/div[1]/section/div/ul/li/a/@href')  # 链接列表
    for i in links[1:]:
        detail_url = i  # 区域http链接
        link_list.append(detail_url)
    return link_list



def area_second_content_link(html):
    html = etree.HTML(html)
    link_list = []
    links = html.xpath('//*[@id="__layout"]/div/section/section[3]/section/div[2]/a/@href')  # 链接列表
    for i in links:
        detail_url = i  # 区域http链接
        link_list.append(detail_url)
    return link_list


# 调用代{过}{滤}理API
def get_proxy():
    return requests.get("http://127.0.0.1:5010/get/").json()


def delete_proxy(proxy):
    requests.get("http://127.0.0.1:5010/delete/?proxy={}".format(proxy))


# 主程序
def main():
    global p
    # url = 'https://chongqing.anjuke.com/community'
    # html = gethtml_detail(url)
    # area_links = area_link(html)
    # for i in area_links:
    i='https://chongqing.anjuke.com/community/jiangbei/'
    p_lst = i + "p{}" + "/"
    url_list = [p_lst.format(i + 1) for i in range(0, 29)]
    for i in url_list:
        html = gethtml_detail(i)
        lst = area_second_content_link(html)
        for i in lst:
            html_detail = gethtml_detail(i)
            html = etree.HTML(html_detail)
            lst = {}
            lst['索引'] = ''
            lst['小区名称'] = html.xpath('/html/body/div[2]/div[3]/div[1]/a/@title')[0].strip()
            lst['小区地址'] = html.xpath('/html/body/div[2]/div[3]/div[1]/h1/span/text()')[0].strip()
            lst['物业费'] = html.xpath('//*[@id="basic-infos-box"]/dl/dd[2]/text()')[0].strip()
            lst['竣工时间'] = html.xpath('//*[@id="basic-infos-box"]/dl/dd[5]/text()')[0].strip()
            lst['容积率'] = html.xpath('//*[@id="basic-infos-box"]/dl/dd[7]/text()')[0].strip()
            lst['绿化率'] = html.xpath('//*[@id="basic-infos-box"]/dl/dd[8]/text()')[0].strip()
            lst['开发商'] = html.xpath('//*[@id="basic-infos-box"]/dl/dd[9]/text()')[0].strip()
            lst['物业公司'] = html.xpath('//*[@id="basic-infos-box"]/dl/dd[10]/text()')[0].strip()
            lst['所属商圈'] = html.xpath('//*[@id="basic-infos-box"]/dl/dd[11]/text()')[0].strip()
            lst['小区id'] = eval(html.xpath('/html/body/div[2]/div[3]/div[2]/a[1]/@href')[0].split("/")[-1])
            lst['小区链接'] = html.xpath('/html/body/div[2]/div[3]/div[2]/a[1]/@href')[0].strip()
            data_list.append(lst)
            df = pd.DataFrame(data_list)
            for i in df.index:
                df['索引'].at[i] = i + 1
            df.to_excel("C:/Users/Administrator/Desktop/Python/安居客/重庆住宅小区数据" + st + ".xlsx", index=False)
            p = p + 1
            print('第%s条数据已保存' % p)
            time.sleep(4)

if __name__ == '__main__':
    main()


1.png

发帖前要善用论坛搜索功能,那里可能会有你要找的答案或者已经有人发布过相同内容了,请勿重复发帖。

choujie1689 发表于 2021-6-21 10:04
数据.encode("latin1").decode("gbk",errors='ignore')
试试,可能是编码问题
magicianly 发表于 2021-6-21 10:31
本帖最后由 magicianly 于 2021-6-21 10:33 编辑

第24行代码,你在取解析编码的时候出现了错误,就解析的编码就有可能变成ISO。。。。什么什么的,或者WINDOW什么的,这个我测试过
[Python] 纯文本查看 复制代码
charset = re.search(b'charset=(.+?)"', response.content).group(1)
return self.content.decode(charset, errors='ignore')

建议你改成这个
nmjk1234 发表于 2021-6-21 11:08
 楼主| double07 发表于 2021-6-21 11:31
15820394839 发表于 2021-6-21 10:04
数据.encode("latin1").decode("gbk",errors='ignore')
试试,可能是编码问题

谢谢,加在25行,但没成功
 楼主| double07 发表于 2021-6-21 11:33
magicianly 发表于 2021-6-21 10:31
第24行代码,你在取解析编码的时候出现了错误,就解析的编码就有可能变成ISO。。。。什么什么的,或者WINDO ...

这样调整?但报错
[Python] 纯文本查看 复制代码
def gethtml_detail(url):
    retry_count = 4
    proxy = get_proxy().get("proxy")
    while retry_count > 0:
        try:
            response = requests.get(url, headers=header, proxies={"http": "http://{}".format(proxy)})
            charset = re.search(b'charset=(.+?)"', response.content).group(1)
            return self.content.decode(charset, errors='ignore')
        except Exception:
            retry_count -= 1
            delete_proxy(proxy)
    return None
magicianly 发表于 2021-6-21 14:15
本帖最后由 magicianly 于 2021-6-21 14:22 编辑
def get_proxy():
    return requests.get("http://127.0.0.1:5010/get/").json()

def delete_proxy(proxy):
    requests.get("http://127.0.0.1:5010/delete/?proxy={}".format(proxy))

header = {
    'user-agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/91.0.4472.77 Safari/537.36',
    'cookie': ''
}

def gethtml_detail(url):
    retry_count = 4
    while retry_count > 0:
        try:
            proxy = get_proxy().get("proxy")
            response = requests.get(url, headers=header, proxies={"http": "http://{}".format(proxy)})
            charset = re.search(b'charset=(.+?)"', response.content).group(1)
            return response.content.decode(charset.decode('utf-8'), errors='ignore')
        except Exception:
            retry_count -= 1
            delete_proxy(proxy)
    return None

免费评分

参与人数 1吾爱币 +1 热心值 +1 收起 理由
double07 + 1 + 1 感谢大佬,可以了,请问这两段代码怎样理解?

查看全部评分

云尚天下 发表于 2021-6-21 14:20
试试万能编码   *******.encoding = *******.apparent_encoding
magicianly 发表于 2021-6-21 16:36
云尚天下 发表于 2021-6-21 14:20
试试万能编码   *******.encoding = *******.apparent_encoding

这样有可能会用系统的解码代码解码,就有可能会造成乱码
magicianly 发表于 2021-6-21 16:38
magicianly 发表于 2021-6-21 14:15
[md]```python
def get_proxy():
    return requests.get("http://127.0.0.1:5010/get/").json()

我觉得没啥可需要怎么理解的吧,无非就是获取二进制源代码的charset 获取出来以后,解码就不需要说了嘛
您需要登录后才可以回帖 登录 | 注册[Register]

本版积分规则 警告:本版块禁止回复与主题无关非技术内容,违者重罚!

快速回复 收藏帖子 返回列表 搜索

RSS订阅|小黑屋|处罚记录|联系我们|吾爱破解 - LCG - LSG ( 京ICP备16042023号 | 京公网安备 11010502030087号 )

GMT+8, 2024-4-27 10:59

Powered by Discuz!

Copyright © 2001-2020, Tencent Cloud.

快速回复 返回顶部 返回列表