我正在尝试使用 python、curl 和 BeautifulSoup 抓取日语页面。然后我将文本保存到使用 utf-8 编码的 MySQL 数据库中,并使用 Django 显示结果数据。
这是一个示例网址:
我有一个函数用于将 HTML 提取为字符串:
def get_html(url):
c = Curl()
storage = StringIO()
c.setopt(c.URL, str(url))
cookie_file = 'cookie.txt'
c.setopt(c.COOKIEFILE, cookie_file)
c.setopt(c.COOKIEJAR, cookie_file)
c.setopt(c.WRITEFUNCTION, storage.write)
c.perform()
c.close()
return storage.getvalue()
然后我将它传递给 BeautifulSoup:
html = get_html(str(scheduled_import.url))
soup = BeautifulSoup(html)
然后对其进行解析并将其保存到数据库中。然后我使用 Django 将数据输出到 json。这是我正在使用的视图:
def get_jobs(request):
jobs = Job.objects.all().only(*fields)
joblist = []
for job in jobs:
job_dict = {}
for field in fields:
job_dict[field] = getattr(job, field)
joblist.append(job_dict)
return HttpResponse(dumps(joblist), mimetype='application/javascript')
结果页面显示字节码,例如:
xe3\x82\xb7\xe3\x83\xa3\xe3\x83\xaa\xe3\x82\xb9\xe3\x83\x88
\xe8\x81\xb7\xe5\x8b\x99\xe5\x86\x85\xe5\ xae \xb9\xe3
\x82\xb7\xe3\x82\xb9\xe3\x82\xb3\xe3\x82\xb7\xe3\x82\xb9\xe3\x83\x86\xe3\x83\xa0\xe3\x82\ xba\xe3\x81\xae\xe3\x82\xb3\xe3\x83\xa9\xe3\x83\x9c\xe3\x83\xac\xe3\x83\xbc\xe3\x82\xb7\xe3\x83\xa7\ xe3\x83\xb3\xe4\xba\x8b\xe6\xa5\xad\xe9\x83\xa8\xe3\x81\xa7\xe3\x81\xaf\xe3\x80\x81\xe4\xba\xba\xe3\ x82\x92\xe4\xb8\xad\xe5\xbf\x83\xe3\x81\xa8\xe3\x81\x97\xe3\x81\x9f\xe3\x82\xb3\xe3\x83\x9f\xe3\x83\ xa5\xe3\x83\x8b\xe3\x82\xb1\xe3\x83\xbc\xe3\x82\xb7\xe3\x83\xa7\xe3\x83\xb3\xe3\x81\xab\xe3\x82\x88\ xe3\x82\x8a\xe3\
而不是日语。
我整天都在研究并将我的数据库转换为 utf-8,尝试将文本从 iso-8859-1 解码并编码为 utf-8。
基本上我不知道自己在做什么,如果我能得到任何帮助或建议,我将不胜感激,这样我就可以避免再花一天时间来解决这个问题。