Python爬虫教程-35-编程常见问题解决方法

Python爬虫编程常见问题解决方法：

1.通用的解决方案：【按住Ctrl键不送松】，同时用鼠标点击【方法名】，查看文档

2.TypeError: POST data should be bytes, an iterable of bytes, or a file object. It cannot be of type str.
问题描述：【类型错误】就是数据的类型应该是bytes类型，而不是str类型
解决方案：

data = data.encode('utf-8')

3.爬取得到的HTML在一行显示
调试步骤：通过print(type(html))查看html的类型, 可以查出是bytes类型，就需要解码
解决方案：

html = html.decode()

4.有时候使用爬虫会被网站封了IP，所以需要去模拟浏览器
解决方案：

header = {"User-Agent": "mozilla/4.0 (compatible; MSIE 5.5; Windows NT)"}
req = request.Request(url=base_url,data=bytes(data,encoding='utf-8'),headers=header)

5.当服务器返回json格式的数据乱码
调试步骤： 1.通过print(type(json_data))查看数据的类型,
2.可以查出是str类型，就是说返回的字符串中有bytes类型的数据
解决方案：把json字符串转换为字典

json_data = json.loads(json_data)

6.怎么只输出json数据的value或者某个key对应的value，不要[{}]
问题描述： 想要jsonkey/value的一部分
典型案例：
例如：

 json_data=
      {'errno': 0,
       'data': [{'k': 'good',
                 'v': 'adj. 好的;'
                 },
                {'k': 'good morning',
                 'v': 'int. 早安;'
                 }
               ]
       }

要求： 只想要输出good: adj. 好的，而不要其他的格式
1.可以通过json_data[‘data’]，只输出json数据json_data中‘data’对应的值，也就是

 [{'k': 'good',
   'v': 'adj. 好的;'
  },
  {'k': 'good morning',
   'v': 'int. 早安;'
  }
 ]

2.遍历输出每个’k’和’v’的值

# 遍历输出每个'k'和'v'的值
for item in json_data['data']:
      print(item['k'], ": ", item['v'])

7.返回的页面是一个链接，而不是链接的页面
问题描述： 百度搜索，我们输入搜索内容，返回的是一个包括原地址链接的html，而不是访问该链接 的html，且返回的html中：location.replace(location.href.replace(“https://”,”http://”));
问题实例截图：

解决方案： 如果使用的是http改成https，
如果使用的是https改成http，就可以了

8.python写入html文件中文乱码问题

使用open函数将爬虫爬取的html写入文件，有时候在控制台不会乱码，但是写入文件的html中的中文是乱码的

案例分析:

看下面一段代码：

# 爬虫未使用cookie
from urllib import request

if __name__ == '__main__':
    url = "http://www.renren.com/967487029/profile"

    rsp = request.urlopen(url)

    html = rsp.read().decode()

    with open("rsp.html","w")as f:
        # 将爬取的页面
        print(html)
        f.write(html)

看似没有问题，并且在控制台输出的html也不会出现中文乱码，但是创建的html文件中

解决方案:

使用open方法的一个参数，名为encoding=” “，加入encoding=”utf-8”即可

# 爬虫未使用cookie
from urllib import request

if __name__ == '__main__':
    url = "http://www.renren.com/967487029/profile"

    rsp = request.urlopen(url)

    html = rsp.read().decode()

    with open("rsp.html","w",encoding="utf-8")as f:
        # 将爬取的页面
        print(html)
        f.write(html)

运行结果

我的爬虫笔记

• Python爬虫教程-01-爬虫介绍
• Python爬虫教程-02-使用urlopen
• Python爬虫教程-03-使用 chardet 检测编码
• Python爬虫教程-04-response简介
• Python爬虫教程-05-python爬虫实现百度翻译
• Python爬虫教程-06-爬虫实现百度翻译(requests)
• Python爬虫教程-07-post介绍(百度翻译)（上）
• Python爬虫教程-08-post介绍(百度翻译)（下）
• Python爬虫教程-09-error 模块
• Python爬虫教程-10-UserAgent和常见浏览器UA值
• Python爬虫教程-11-proxy代理IP，隐藏地址（猫眼电影）
• Python爬虫教程-12-爬虫使用cookie爬取登录后的页面(人人网)（上）
• Python爬虫教程-13-爬虫使用cookie爬取登录后的页面(人人网)（下）
• Python爬虫教程-14-爬虫使用filecookiejar保存cookie文件(人人网)
• Python爬虫教程-15-读取cookie(人人网)和SSL(12306官网)
• Python爬虫教程-16-破解js加密实例（有道在线翻译）
• Python爬虫教程-17-ajax爬取实例（豆瓣电影）
• Python爬虫教程-18-页面解析和数据提取
• Python爬虫教程-19-数据提取-正则表达式(re)
• Python爬虫教程-20-xml简介
• Python爬虫教程-21-xpath
• Python爬虫教程-22-lxml-etree和xpath配合使用
• Python爬虫教程-23-数据提取-BeautifulSoup4（一）
• Python爬虫教程-24-数据提取-BeautifulSoup4（二）
• Python爬虫教程-25-数据提取-BeautifulSoup4（三）
• Python爬虫教程-26-Selenium + PhantomJS
• Python爬虫教程-27-Selenium Chrome版本与chromedriver兼容版本对照表
• Python爬虫教程-28-Selenium 操纵 Chrome
• Python爬虫教程-29-验证码识别-Tesseract-OCR
• Python爬虫教程-30-Scrapy 爬虫框架介绍
• Python爬虫教程-31-创建 Scrapy 爬虫框架项目
• Python爬虫教程-32-Scrapy 爬虫框架项目 Settings.py 介绍
• Python爬虫教程-33-scrapy shell 的使用
• Python爬虫教程-34-分布式爬虫介绍
  

  ---

  - 本笔记不允许任何个人和组织转载