一个网页中有不同的编码，其实就是网页中穿插着
unicode无法映射的编码，使用requests爬虫会直接失败
一、 踩坑路程1
1. 强制类型转换
在
requests中可以直接获取到网页源码的二进制数据，其实也就是尚未进行编码的字节，在Python中以十六进制的形式展现，格式就是下面这种
data="你好世界！"
print(data.encode("utf-8"))
那么我们就有了思路，我们可不可以在它还是字节剔除掉乱码的部分，然后转换成字节，重新编码
data=b"\xe4\xbd\xa0"
# 转换成字符串
data=str(data)
print(data)
# 转换成字节
data=bytes(data,"utf-8")
print("字节形式：",data)
print("解码成UTF-8文本",data.decode("utf-8"))
很明显失败了，在把他转换成字节的时候多了
\，也就是把\xe4\xbd\xa0的字节转换成字节，也就变成了\\xe4\\xbd\\xa0，这种字节格式是明显无法解码成功的,最终就是解码成了\xe4\xbd\xa0问题似乎出现在了
data=bytes(data,"utf-8")多了utf-8,去掉试试
报错了，这个问题类似于c语言的指针，指向指针的指针
如果能直接转换的话，这个问题直接就能解决了，可是并不能
2. 中间人
既然我有了一个字符串类型的字节，虽然它是字符串类型的，但是它的内容是字节啊，所以我们可以建一个文本，以二进制的方式读写不就行了？
这里就不给代码了，和上面的类似，以二进制的方式读写，传入值必须是字节型的也就是
bytes，可是我们不是无法转换来着吗?
3. bytearray单字节读取
这个命令可以对字节单个读取修改，我似乎离正确的答案越来越近了
data=b"\xe4\xbd\xa0"
data=bytearray(data)
print(hex(data[0]))
print(hex(data[1]))
不过别高兴的太早，我封装了一个函数，按照其逻辑来说的话是很完美的，是应该能正确的，可是Python有Python的逻辑
def Binary(text,content):
# text是一个列表
# content是requests获取到的字节
content=bytearray(content)
data=bytearray()
sum=0
k=0
# 开始比对
for i in range(len(content)):
for j in range(len(text)):
# 防止超出范围
if i+j>=len(content):
break;
# 如果第一个相同那就比对后面的几个
if content[i+j]==text[j]:
sum=sum+1
# 如果全部相同，那么他就是相等的，让i往前移动len(text)-1个位置
if sum==len(text):
i=i+len(text)-1
else:
data.append(content[i])
sum=0
return data
为什么会失败？因为Python的for循环 i无法更改，就像是下面
a=10
for i in range(a):
print(i)
i=i+2
这个明显不符合我们的预期啊，该死的i依然的我行我素，好了既然我们知道错误在什么地方了，下一步就该解决了，离解决方法是越来越近了
二、 终于成功了
1. 增加一个偏移量
def Binary(text,content):
# text是一个列表
# content是requests获取到的字节
content=bytearray(content)
data=bytearray()
sum=0
k=0
# 开始比对，减少次数，避免溢出
for i in range(len(content)-len(text)):
for j in range(len(text)):
# 如果第一个相同那就比对后面的几个
if content[i+j]==text[j]:
sum=sum+1
# 如果全部相同，那么他就是相等的，让i往前移动len(text)-1个位置
if sum==len(text):
k=len(text)-1
else:
data.append(content[i+k])
sum=0
return data
# 获取网页
r=requests.get("https://www.biquge.com.cn/book/7787/192921.html")
# 需要剔除的字节
text=[239,191,189]
# 调用函数
content=Binary(text,r.content)
content=bytes(content)
# 把字节解码成Utf-8的文本
print(content.decode("utf-8"))
2. 让其轮空
在我们需要的时候不让data添加字节
def Binary(text,content):
# text是一个列表
# content是requests获取到的字节
content=bytearray(content)
data=bytearray()
sum=0
k=0
# 开始比对
for i in range(len(content)):
if k<=0:
for j in range(len(text)):
# 防止索引超出范围
if i+j>=len(content):
break
# 如果第一个相同那就比对后面的几个
if content[i+j]==text[j]:
sum=sum+1
# 如果全部相同，赋值给k
if sum==len(text):
k=sum
sum=0
# 利用k让for轮空
if k>0:
k=k-1
continue
data.append(content[i])
sum=0
return data
# 获取网页
r=requests.get("https://www.biquge.com.cn/book/7787/192921.html")
text=[239,191,189]
content=Binary(text,r.content)
content=bytes(content)
# 把字节解码成Utf-8的文本
print(content.decode("utf-8"))
3. 更为简练的写法
原来可以直接像是列表一样删除其索引，
data.remove不能用，不知道为什么
def Binary(text,content):
# text是一个列表
# content是requests获取到的字节
content=bytearray(content)
data=bytearray()
sum=0
k=[]
# 开始比对
for i in range(len(content)-len(text)):
for j in range(len(text)):
if content[i+j]==text[j]:
sum=sum+1
if sum==len(text):
for j in range(len(text)):
k.append(i+j)
sum=0
for i in range(len(k)):
del content[k[0]]
return content
r=requests.get("https://www.biquge.com.cn/book/7787/192921.html")
text=[239,191,189]
content=Binary(text,r.content)
print(content.decode("utf-8"))
三、 总结
建议使用三种写法，更解决，前面可以加一个判断，使其
del content[0]不会出现问题
def Binary(text,content):
# text是一个列表
# content是requests获取到的字节
content=bytearray(content)
data=bytearray()
sum=0
k=[]
# 开始比对
for i in range(len(content)-len(text)):
for j in range(len(text)):
if content[i+j]==text[j]:
sum=sum+1
if sum==len(text):
for j in range(len(text)):
k.append(i+j)
sum=0
# 如果不等那就代表着没有找到，返回原来的字节值就行
if len(k)!=len(text):
return content
for i in range(len(k)):
# content.pop(k[0])
del content[k[0]]
return content
r=requests.get("https://www.baidu.com")
text=[239,191,189]
content=Binary(text,r.content)
print(content.decode("utf-8"))
花了好长的时间，终于解决好了，可谓是一顿操作猛如虎，最后只解决一个字符问题，大写的尴尬
有能力的大佬可以多收集一些
“锟斤拷”形成一个库，这样在用requests爬取网页时再也不怕网页出现不该出现的编码了最后提供一个练习素材：里面含有一个
“锟斤拷”地址：蓝奏云下载地址
