推荐学习书目
› Learn Python the Hard Way
Python Sites
› PyPI - Python Package Index
› http://diveintopython.org/toc/index.html
› Pocoo
值得关注的项目
› PyPy
› Celery
› Jinja2
› Read the Docs
› gevent
› pyenv
› virtualenv
› Stackless Python
› Beautiful Soup
› 结巴中文分词
› Green Unicorn
› Sentry
› Shovel
› Pyflakes
› pytest
Python 编程
› pep8 Checker
Styles
› PEP 8
› Google Python Style Guide
› Code Style from The Hitchhiker's Guide
Python 子线程里创建 BeautifulSoup 对象会在终端打印 encoding error，主线程就没问题，求解惑
eggshell · gaoliang · 2018-03-26 18:50:21 +08:00 · 5879 次点击这是一个创建于 2779 天前的主题，其中的信息可能已经有所发展或是发生改变。
Python 子线程里创建 BeautifulSoup 对象会在终端打印encoding error : input conversion failed due to input error, 主线程里面一切正常。
感觉应该是 lxml 的问题，但是没找到怎么解决，求解惑
就几个特定的网页会出现这个问题，比如 http://zhuanlan.sina.com.cn/
下面这个代码可以用来复现
import requests
from bs4 import BeautifulSoup
from threading import Thread
def test():
r = requests.get('http://zhuanlan.sina.com.cn/')
soup = BeautifulSoup(r.content,'lxml')
print('在主线程中执行 test')
test()
print('在子线程中执行 test')
t = Thread(target=test)
t.start()
t.join()
输出如下
在主线程中执行 test
在子线程中执行 test
encoding error : input conversion failed due to input error, bytes 0x95 0x50 0x22 0x20
encoding error : input conversion failed due to input error, bytes 0x95 0x50 0x22 0x20
encoding error : input conversion failed due to input error, bytes 0x95 0x50 0x22 0x20
 |
1
seanzhao 2018-03-26 19:03:05 +08:00
把你的解析那段替换成以下代码，不是线程问题，是编码问题。
soup = BeautifulSoup(r.content.decode('ISO-8859-1'),'lxml') |
 |
2
eggshell OP |
) |
3
kenzh 2018-03-26 20:24:38 +08:00
试下 r.content.decode('gb2312', 'ignore').encode('gb2312')
|
 |
6
holajamc 2018-03-26 21:42:40 +08:00
import requests
from bs4 import BeautifulSoup from threading import Thread def test(): r = requests.get('http://zhuanlan.sina.com.cn/') print(r.encoding) soup = BeautifulSoup(r.content.decode('utf-8', 'ignore'), 'lxml') print('在主线程中执行 test') test() print('在子线程中执行 test') t = Thread(target=test) t.start() t.join() 注意看加的那一行的输出呦~ |
|
7
holajamc 2018-03-26 21:43:47 +08:00
|
|
8
eggshell OP @holajamc 加的那一行的输出是 ISO-8859-1，应该是 response header 里没有编码信息，然后 requests 按照标准默认用错误的 ISO-8859-1 解码了，但是还是没搞懂他这个多线程是怎么回事。。
|
 |
10
TimePPT PRO soup = BeautifulSoup(r.content, 'lxml', from_encoding=r.encoding)
|
Select Language