V2EX = way to explore
V2EX 是一个关于分享和探索的地方
现在注册
已注册用户请  登录
推荐学习书目
Learn Python the Hard Way
Python Sites
PyPI - Python Package Index
http://diveintopython.org/toc/index.html
Pocoo
值得关注的项目
PyPy
Celery
Jinja2
Read the Docs
gevent
pyenv
virtualenv
Stackless Python
Beautiful Soup
结巴中文分词
Green Unicorn
Sentry
Shovel
Pyflakes
pytest
Python 编程
pep8 Checker
Styles
PEP 8
Google Python Style Guide
Code Style from The Hitchhiker's Guide
shanshuise
V2EX  ›  Python

使用pyquery过程中出现乱码怎么办?

  •  
  •   shanshuise · 2013-01-29 21:27:30 +08:00 · 5352 次点击
    这是一个创建于 4298 天前的主题,其中的信息可能已经有所发展或是发生改变。
    代码是:
    3.py
    # -*- coding=utf-8 -*-
    from pyquery import PyQuery as pq
    import codecs

    d = pq(url='http://www.baidu.com/')
    sep = d('body').html().decode('gb18030').encode('utf-8')
    file = codecs.open('new.html', 'w', 'utf-8')
    file.write(se)
    file.close()


    python 111.py出错信息如下:
    Traceback (most recent call last):
    File "3.py", line 6, in <module>
    sep = d('body').html().decode('gb18030').encode('utf-8')
    UnicodeEncodeError: 'ascii' codec can't encode characters in position 146-149: ordinal not in range(128)
    第 1 条附言  ·  2013-01-30 00:05:00 +08:00
    把原来的换成'http://www.baidu.com/'换成'http://tieba.baidu.com/f?kw=宋时行'后又乱码了,查看发现百度主页是gb2312,而贴吧是gbk,pyquery无法自动解码gbk?
    15 条回复    1970-01-01 08:00:00 +08:00
    wong2
        1
    wong2  
       2013-01-29 21:40:54 +08:00
    d('body').html()得到的已经是unicode了,直接encode('utf-8')就行了
    shanshuise
        2
    shanshuise  
    OP
       2013-01-29 22:19:54 +08:00
    @wong2 去掉.decode('gb18030')后还是报错。。

    Traceback (most recent call last):
    File "3.py", line 7, in <module>
    file.write(sep)
    File "/usr/lib/python2.7/codecs.py", line 691, in write
    return self.writer.write(data)
    File "/usr/lib/python2.7/codecs.py", line 351, in write
    data, consumed = self.encode(object, self.errors)
    UnicodeDecodeError: 'ascii' codec can't decode byte 0xe6 in position 146: ordinal not in range(128)
    swulling
        3
    swulling  
       2013-01-29 22:22:18 +08:00
    @shanshuise 去掉所有的encode decode codecs。。。

    open就好,为啥用codecs.open?
    spark
        4
    spark  
       2013-01-29 22:28:29 +08:00
    加入:
    import sys
    reload(sys)
    sys.setdefaultencoding('utf-8')


    如不行:
    input_file = unicode(open(file).read(), 'utf-8')
    source = pq(input_file)
    swulling
        5
    swulling  
       2013-01-29 22:29:51 +08:00   ❤️ 1
    @shanshuise 以下两种方法均可
    因为html()输出是unicode,如果用codecs.open,在写入时会自动转换为utf-8,而如果用open,则需要手动转换为utf-8

    sep = d('body').html()
    file = codecs.open('new.html', 'w', 'utf-8')
    file.write(sep)
    file.close()


    sep = d('body').html()
    file = open('new.html', 'w')
    file.write(sep.encode('utf8'))
    file.close()
    swulling
        6
    swulling  
       2013-01-29 22:31:06 +08:00
    而如果既手动转了utf-8,然后在自动转一次,就会报错。。
    013231
        7
    013231  
       2013-01-29 22:33:11 +08:00
    @shanshuise 對於用`codecs.open`打開的文件, 你應該寫入unicode而非str. 寫入時會自動用你指定的編碼來編碼字符.
    shanshuise
        8
    shanshuise  
    OP
       2013-01-29 22:33:27 +08:00
    import sys
    reload(sys)
    sys.setdefaultencoding('utf8')

    在加入以上语句后就可以正常工作了,本来我以为用了codecs.open就可以不再使用上述的语句,不知道是怎么回事。话说编码还是真复杂,晕了。
    013231
        9
    013231  
       2013-01-29 22:37:35 +08:00
    @shanshuise 如果用`setdefaultencoding`來解決這個問題, `codecs.open`就沒有意義了. 直接`open`吧.
    shanshuise
        10
    shanshuise  
    OP
       2013-01-29 22:38:09 +08:00
    @swulling 刚看到,确实因为转两次的原因才报错了。

    但是我转两次utf8加上下边的语句全搞上去倒成功了。

    import sys
    reload(sys)
    sys.setdefaultencoding('utf8')
    swulling
        11
    swulling  
       2013-01-29 22:38:40 +08:00
    @shanshuise the use of sys.setdefaultencoding() has always been discouraged

    不要用这个,上面我回复的两种方法都很优雅,没必要用这种dirty hack
    shanshuise
        12
    shanshuise  
    OP
       2013-01-29 22:39:09 +08:00
    @013231 现在已经了解了。使用codecs.open,去掉etdefaultencoding,去掉原文中的encode后正常。
    shanshuise
        13
    shanshuise  
    OP
       2013-01-29 22:40:05 +08:00
    @swulling 嗯,学习了。多谢。
    spark
        14
    spark  
       2013-01-30 20:22:28 +08:00
    @swulling 不错,学习了
    54dev
        15
    54dev  
       2013-09-12 17:21:05 +08:00
    @swulling pyjquery所有的输出好像都是unicode?
    关于   ·   帮助文档   ·   博客   ·   API   ·   FAQ   ·   实用小工具   ·   3585 人在线   最高记录 6679   ·     Select Language
    创意工作者们的社区
    World is powered by solitude
    VERSION: 3.9.8.5 · 22ms · UTC 00:10 · PVG 08:10 · LAX 16:10 · JFK 19:10
    Developed with CodeLauncher
    ♥ Do have faith in what you're doing.