scrapy 编码问题?

2015-03-08 16:14:06 +08:00
 ljcarsenal
我在爬imdb网站,然后存到mysql数据库里面。如这个 http://www.imdb.com/title/tt2474024/reviews?start=0,其中有一段是
Surprisingly, it's not the talented leads that provide the most interest here … it's the story structure. As per the title, the story follows the couple's relationship over a five year period. The opening scene features Cathy reading and reacting to the break-up note left by Jamie. The second scene features Jamie describing his joy when he first falls for Cathy, as they romp in bed. See, Cathy's story goes from the end to the beginning, while Jamie's story goes from the beginning to the end … intersecting only at the marriage proposal in the park. It's a fascinating way to tell a story – not just two perspectives, but also in reverse order of each other!
提示存这一段的时候 Warning: Incorrect String value...,是那个省略号的问题。用chrome查看网页编码是 西欧语言windows-1252,用requests请求,可以看到r.encoding=iso-8859-1。我的mysql存储编码是默认的(应该是utf-8?),在代码里 我 是这样写的:
`content = p.text_content().strip('\n').decode('iso-8859-1').encode('utf8')`
decode那里换成windows-1252也不对。
也试过
`content = unicode(p.text_content().strip('\n'))`,都不行。需要怎么解决?
3412 次点击
所在节点    Python
9 条回复
KyL
2015-03-08 19:13:58 +08:00
虽然症状不像,但是希望你能从 http://v2ex.com/t/163786 得到有用的信息
Battle
2015-03-08 20:00:34 +08:00
我当初也遇过这个编码问题,我也不懂原因在哪里,不过问题解决了,因为看了一篇博客,然后照着博主的方法敲了一遍,希望对你有帮助,也希望有知道原因的人告诉我一下,附上博客链接:
http://blog.csdn.net/u012150179/article/details/32911511
binux
2015-03-08 20:07:52 +08:00
上代码,我觉得不是你说的那个问题。
JoeShu
2015-03-08 20:42:10 +08:00
mysql默认编码不是utf8,是Latin1。
ljcarsenal
2015-03-09 00:12:01 +08:00
@binux @JoeShu
我是用django模型建立的数据表结构(因为后续还要有把数据全部存入excel里的奇葩需求,这里基本上用的都是字符串,包括日期),看了下 默认生成的的确为Latin1编码
<script src="https://gist.github.com/lijunchengbeyond/ab410191ffa5e2164c31.js"></script>
运行爬虫
用下面这句替代 content = unicode(p.text_content().strip('\n')).encode('latin1'),
请求的是 http://www.imdb.com/title/tt2397535/reviews?start=0
得到的错误信息为 Warning: Incorrect string value: '\x97every...' for column 'content' at row 1,搜这个网页上的every,结果 有7个,应该第三个人评论的那篇文章,前面有个特殊的破折号 —every。
在数据库里无法保存。

爬取其他页面类似,会有类似 é 等这种符号无法保存。
问题是有没有办法解决,使其能保存在数据库里?
mindcat
2015-03-09 12:22:20 +08:00
这里有一只猫猫,猫猫什么都不知道 /w\
猫猫建议你试试`r.encoding = "utf-8"`喵~
binux
2015-03-09 14:14:49 +08:00
`content = p.text_content().decode("Windows-1252")`
在内存中,只使用 unicode 。只在数据边界上进行遍解码。

没有看到『存到mysql数据库里面』啊
ljcarsenal
2015-03-09 16:18:58 +08:00
@binux 那个gist文件的 65-77行,用的 Django 的orm ,存在时更新,不存在时创建
yepinf
2015-05-14 12:00:08 +08:00
iso-8859-1这个编码,使用urllib2来获取网页,可以正确解码
昨晚刚解决,不知道为什么:D

这是一个专为移动设备优化的页面(即为了让你能够在 Google 搜索结果里秒开这个页面),如果你希望参与 V2EX 社区的讨论,你可以继续到 V2EX 上打开本讨论主题的完整版本。

https://www.v2ex.com/t/175336

V2EX 是创意工作者们的社区,是一个分享自己正在做的有趣事物、交流想法,可以遇见新朋友甚至新机会的地方。

V2EX is a community of developers, designers and creative people.

© 2021 V2EX