部分字符无法解码，被替换为REPLACEMENT CHARACTER

Question

我已经在 Python 中编码了大约 3 个月，我正在尝试为 class 项目做一些网络抓取，来自 class "https:/ /www.countyhealthrankings.org/app/alabama/2019/rankings/outcomes/”。但是，当我尝试拉取站点 html 时，我收到错误消息，“某些字符无法解码，并被替换为替换字符。” 我尝试了几种不同类型的解码，但没有成功。我正在使用的代码如下。任何帮助将不胜感激。

代码：

myurl = "https://www.countyhealthrankings.org/app/alabama/2019/rankings/outcomes/"
website = uReq(myurl)
website_html = website.read() #.decode(encoding="iso-8859-1")
print(website_html)
print(type(website_html))
website.close()
site_soup = soup(website_html,"html.parser")#, from_encoding="utf-8)
print(type(site_soup))

html 输出将如下所示：

�}�WI��s��y��-H,��`�m��6�� 5�J�Řf��ȭJ%!��r��cTU�DFFDƖ��?y�� ۾W,��9�� y7��5ju��N��{�

数据的字节版本如下所示：

\x1f\x8b\x08\x00\x00\x00\x00\x00\x00\x03\xec}\xf9W\x1bI\xb2\xee\xefs\xce\xfb\x1f\xca\xeay\x83\xfd\x0

Answer 1

该网站正在使用 gzip 传输编码，而您的 http 客户端未对其进行解码。

>> from urllib import request
>>> import gzip
>>> res = request.urlopen(url)
>>> content = res.read()
>>> content[:25]
b'\x1f\x8b\x08\x00\x00\x00\x00\x00\x00\x03\xec}\xf9W\x1bI\xb2\xee\xefs\xce\xfb\x1f\xca\xea'

>>> print(res.headers)
...
Content-Encoding: gzip
Content-Language: en
Content-Type: text/html; charset=utf-8
...
>>> decompressed = gzip.decompress(content)
>>> decompressed[:25]
b'<!DOCTYPE html>\n<!--[if l'

requests 包自动处理这个问题

>>> import requests
>>> r = requests.get(url)
>>> r.text[:25]
'<!DOCTYPE html>\n<!--[if l'

Answer 2

我无法重现您的错误，但这是一个使用请求包的工作版本：

import requests
from bs4 import BeautifulSoup as bs

url = "https://www.countyhealthrankings.org/app/alabama/2019/rankings/outcomes/"

r = requests.get(url)

soup = bs(r.content)

print(soup)

部分字符无法解码，被替换为REPLACEMENT CHARACTER

Some characters could not be decoded, and were replaced with REPLACEMENT CHARACTER

html

python

decoding

web-scraping