抓取小说网页,链接在代码中。数据处理为字典,写入txt文件中。不知道怎么处理编码问题,中文不能正确显示,折腾了整个晚上,还是不行,要死。
还有一个问题就是网页源代码中在<p>标签中经常插入<u>----</u>标签,搞到有些字抓取之后看不见,也求一并解答。
刚学python,望大神指点。首先感谢你宝贵的时间,谢谢。
# coding:utf-8
from lxml import etree
from multiprocessing.dummy import Pool as ThreadPool
import requests
import sys
reload(sys)
sys.setdefaultencoding('utf-8')
def towrite(contentdict):
f.writelines(u'章:' + unicode(contentdict['title']) + '\n')
f.writelines(unicode(contentdict['content']) + '\n\n')
def spider(url):
head = {'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/47.0.2526.106 Safari/537.36'}
html = requests.get(url,headers = head)
html.encoding = 'utf-8'
print html.text
seletor = etree.HTML(html.text)
title = seletor.xpath('//p[@id="f_title1"]/h1/text()')
content = seletor.xpath('//p[@id="f_content1"]/p/p/text()')
fullcontent = ''
for each in content:
fullcontent += each
# title.decode('gb2312').encode('utf-8')
# fullcontent.encode('utf-8')
item = {}
item['title'] = title
item['content'] = fullcontent
towrite(item)
if __name__ == '__main__':
pool = ThreadPool(4)
f = open('guduliujiang.txt','a')
page = []
for i in range(1,29):
newpage = 'http://www.sbkk8.cn/mingzhu/zhongguoxiandaiwenxuemingzhu/guduliujiang/' + str(145232-i) + '.html'
page.append(newpage)
results = pool.map(spider,page)
pool.close()
pool.join()
f.close()
网页源码的编码是gb2312,不是utf-8
requests搭配BeautifulSoup使用
问题一:
使用print html.encoding 显示的是编码格式为ISO-8859-1
print html.text.decode('ISO-8859-1') 没有效果
参照下列代码可在终端中打印出汉字
问题二:
以你的小说网页(情欲孤独(2))为例
试试 是不是你想要的结果
下面的是 我使用你的代码做的测试代码: