**之前有在裁判文书上爬取数据,这段时间重新运行爬虫后发现无法获取网页数据,
找了一下发现requests网页源码返回的是乱码**
(如下截取一部分返回的数据:<meta http-equiv="Content-Type" content="text/html; charset=utf-8">
<meta id="JLyKZlWgYjpTkAsEt9LnA" )
不知道是不是网站对网页内容进行了加密,请问如何解决这个问题?谢谢!
截取部分程序源码:
headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/59.0.3071.104 Safari/537.36',
'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8',
'Accept-Language': 'zh-TW,zh;q=0.8,en-US;q=0.6,en;q=0.4',
'Accept-Encoding': 'gzip, deflate',
'Connection': 'keep-alive',
'Content-Type': 'text/html; charset=utf-8'}
html = requests.post('http://wenshu.court.gov.cn/List/ListContent', data=data, headers=headers)
print(html.text)
但是在审查元素里返回应该返回的数据,请问这哪里出现了问题?
之前程序正常运行时返回的数据是这样的:
ajax 加载的结果页面,如果在 network 里获取不到类似 json 的反馈结果。就使用PHANTOMJS来模拟加载。然后匹配爬取。
你的 html 对象使用的编码不对,
加入一行 html.encoding = html.apparent_encoding
根据实际获取的 text 推测编码,重新解码。
如果你愿意去钻,给你个参考地址:http://www.qingpingshan.com/j...
打印 html.content