這兩天寫了個監(jiān)測網頁的爬蟲，作用是跟蹤一個網頁的變化，但運行了一晚出現了一個問題。。。。希望大家不吝賜教！
我用的是python3，錯誤在對html response的decode時拋出，代碼原樣為：

response = urllib.urlopen(dsturl)
content = response.read().decode('utf-8')

拋出錯誤為

 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

之前運行都沒問題，經過一晚上就出現了。。。。最不明白的是在它聲明為utf-8編碼的網頁中為什么會出現utf-8無法解析的字符？

后來經過熱心網友的提醒，才發(fā)現需要使用decode('utf-8', 'ignore')

為了徹底鬧明白python的編碼問題，特分享下文，希望對大家熟悉python的編碼問題帶來些幫助

1.從字節(jié)說起：

一個字節(jié)包括八個比特位，每個比特位表示0或1，一個字節(jié)即可表示從00000000到11111111共2^8=256個數字。一個ASCII編碼使用一個字節(jié)（除去字節(jié)的最高位作為作奇偶校驗位），ASCII編碼實際使用一個字節(jié)中的7個比特位來表示字符，共可表示2^7=128個字符。比如ASCII編碼中的01000001（即十進制的65）表示字符'A'，01000001加上32之后的01100001（即十進制的97）表示字符'a'?，F在打開Python，調用chr和ord函數，我們可以看到Python為我們對ASCII編碼進行了轉換。如圖

第一個00000000表示空字符，因此ASCII編碼實際上只包括了 字母、標點符號、特殊符號等共127個字符。因為ASCII是在美國出生的，對于由字母組成單詞進而用單詞表達的英文來說也是夠了。但是中國人、日本人、 韓國人等其他語言的人不服了。中文是一個字一個字，ASCII編碼用上了渾身解數256個字符都不夠用。

因此后來出現了Unicode編碼。Unicode編碼通常由兩個字節(jié)組成，共表示256*256個字符，即所謂的UCS-2。某些偏僻字還會用到四個字節(jié)，即所謂的UCS-4。也就是說Unicode標準也還在發(fā)展。但UCS-4出現的比較少，我們先記?。?最原始的ASCII編碼使用一個字節(jié)編碼，但由于語言差異字符眾多，人們用上了兩個字節(jié)，出現了統一的、囊括多國語言的Unicode編碼。

在Unicode中，原本ASCII中的127個字符只需在前面補一個全零的字節(jié)即可，比如前文談到的字符‘a'：01100001，在Unicode中變成了00000000 01100001。不久，美國人不開心了，吃上了世界民族之林的大鍋飯，原本只需一個字節(jié)就能傳輸的英文現在變成兩個字節(jié)，非常浪費存儲空間和傳輸速度。

人們再發(fā)揮聰明才智，于是出現了UTF-8編碼。因為針對的是空間浪費問題，因此這種 UTF-8編碼是可變長短的 ，從英文字母的一個字節(jié)，到中文的通常的三個字節(jié)，再到某些生僻字的六個字節(jié)。解決了空間問題，UTF-8編碼還有一個神奇的附加功能，那就是兼容了老大哥的ASCII編碼。一些老古董軟件現在在UTF-8編碼中可以繼續(xù)工作。

注意除了英文字母相同，漢字在Unicode編碼和UTF-8編碼中通常是不同的。比如​漢字的‘中'字在Unicode中是01001110 00101101，而在UTF-8編碼中是11100100 10111000 10101101。

我們祖國母親自然也有自己的一套標準。那就是GB2312和GBK。當然現在挺少看到。通常都是直接使用UTF-8。

2.Python3中的默認編碼

Python3中默認是UTF-8，我們通過以下代碼：

import sys

sys.getdefaultencoding()

可查看Python3的默認編碼。​

3.Python3中的​encode和decode

Python3中字符編碼經常會使用到decode和encode函數。特別是在抓取網頁中，這兩個函數用的熟練非常有好處。encode的作用，使我們看到的直觀的字符轉換成計算機內的字節(jié)形式。decode剛好相反，把字節(jié)形式的字符轉換成我們看的懂的、直觀的、“人模人樣”的形式。

\x表示后面是十六進制， \xe4\xb8\xad即是二進制的 11100100 10111000 10101101。也就是說漢字‘中'encode成字節(jié)形式，是 11100100 10111000 10101101。同理，我們拿 11100100 10111000 10101101也就是 \xe4\xb8\xad來decode回來，就是漢字‘中'。完整的應該是 b'\xe4\xb8\xad'，在Python3中， 以字節(jié)形式表示的字符串則必須加上 前綴b，也就是寫成上文的b'xxxx'形式。

前文說的Python3的默認編碼是UTF-8，所以我們可以看到，Python處理這些字符的時候是以UTF-8來處理的。因此從上圖可以看到，就算我們通過encode('utf-8')特意把字符encode為UTF-8編碼，出來的結果還是相同：b'\xe4\xb8\xad'。

明白了這一點，同時我們知道​UTF-8兼容ASCII，我們可以猜想大學時經常背誦的‘A'對應ASCII中的65，在這里是不是也能正確的decode出來呢。十進制的65轉換成十六進制是41，我們嘗試下：

b'\x41'.decode()

結果如下。果然是字符‘A'

4.Python3中的​編碼轉換

據說字符在計算機的內存中統一是以Unicode編碼的。只有在字符要被寫進文件、存進硬盤或者從服務器發(fā)送至客戶端（例如網頁前端的代碼）時會變成utf-8。但其實我比較關心怎么把這些字符以Unicode的字節(jié)形式表現出來，露出它在內存中的廬山正面目的。這里有個照妖鏡：

xxxx.encode/decode('unicode-escape')

b'\\u4e2d'還是b'\u4e2d，一個斜杠貌似沒影響。同時可以 發(fā)現在shell窗口中，直接輸 '\u4e2d'和輸入b '\u4e2d'.decode('unicode-escape')是相同的，都會打印出漢字‘中'， 反而是 '\u4e2d'.decode('unicode-escape')會報錯。說明 說明Python3不僅支持Unicode，而且一個‘\uxxxx'格式的 Unicode字符 可被辨識且被等價于str類型。

如果我們知道一個Unicode字節(jié)碼，怎么變成UTF-8的字節(jié)碼呢。懂了以上這些，現在我們就有思路了，先decode，再encode。代碼如下：

​xxx.decode('unicode-escape').encode()

​最后的擴展

還記得剛剛那個ord嗎。時代變遷，老大哥ASCII被人合并，但ord還是有用武之地。試試ord('中')，輸出結果是20013。20013是什么呢，我們再試試hex(ord('中'))，輸出結果是'0x4e2d'，也就是20013是我們在上文見面了無數次的x4e2d的十進制值。這里說下hex，是用來轉換成十六進制的函數，學過單片機的人對hex肯定不會陌生。

最后的擴展，在網上看到的他人的問題。我們寫下類似于'\u4e2d'的字符，Python3知道我們想表達什么。但是讓Python讀取某個文件的時候出現了'\u4e2d'，是不是計算機就不認識它了呢？后來下文有人給出了答案。如下：

import codecs

file = codecs.open( "a.txt", "r", "unicode-escape" )

u = file.read()

print(u)

最新評論