python判断空字节_Python字节的修改，踩坑路程

一个网页中有不同的编码，其实就是网页中穿插着unicode无法映射的编码，使用requests爬虫会直接失败

一、 踩坑路程1

1. 强制类型转换

在requests中可以直接获取到网页源码的二进制数据，其实也就是尚未进行编码的字节，在Python中以十六进制的形式展现，格式就是下面这种

data="你好世界！"

print(data.encode("utf-8"))

那么我们就有了思路，我们可不可以在它还是字节剔除掉乱码的部分，然后转换成字节，重新编码

data=b"\xe4\xbd\xa0"

# 转换成字符串

data=str(data)

print(data)

# 转换成字节

data=bytes(data,"utf-8")

print("字节形式：",data)

print("解码成UTF-8文本",data.decode("utf-8"))

很明显失败了，在把他转换成字节的时候多了\，也就是把\xe4\xbd\xa0的字节转换成字节，也就变成了\\xe4\\xbd\\xa0，这种字节格式是明显无法解码成功的,最终就是解码成了\xe4\xbd\xa0

问题似乎出现在了data=bytes(data,"utf-8")多了utf-8,去掉试试

报错了，这个问题类似于c语言的指针，指向指针的指针

如果能直接转换的话，这个问题直接就能解决了，可是并不能

2. 中间人

既然我有了一个字符串类型的字节，虽然它是字符串类型的，但是它的内容是字节啊，所以我们可以建一个文本，以二进制的方式读写不就行了？

这里就不给代码了，和上面的类似，以二进制的方式读写，传入值必须是字节型的也就是bytes，可是我们不是无法转换来着吗?

3. bytearray单字节读取

这个命令可以对字节单个读取修改，我似乎离正确的答案越来越近了

data=b"\xe4\xbd\xa0"

data=bytearray(data)

print(hex(data[0]))

print(hex(data[1]))

不过别高兴的太早，我封装了一个函数，按照其逻辑来说的话是很完美的，是应该能正确的，可是Python有Python的逻辑

def Binary(text,content):

# text是一个列表

# content是requests获取到的字节

content=bytearray(content)

data=bytearray()

sum=0

k=0

# 开始比对

for i in range(len(content)):

for j in range(len(text)):

# 防止超出范围

if i+j>=len(content):

break;

# 如果第一个相同那就比对后面的几个

if content[i+j]==text[j]:

sum=sum+1

# 如果全部相同，那么他就是相等的，让i往前移动len(text)-1个位置

if sum==len(text):

i=i+len(text)-1

else:

data.append(content[i])

sum=0

return data

为什么会失败？因为Python的for循环 i无法更改，就像是下面

a=10

for i in range(a):

print(i)

i=i+2

这个明显不符合我们的预期啊，该死的i依然的我行我素，好了既然我们知道错误在什么地方了，下一步就该解决了，离解决方法是越来越近了

二、 终于成功了

1. 增加一个偏移量

def Binary(text,content):

# text是一个列表

# content是requests获取到的字节

content=bytearray(content)

data=bytearray()

sum=0

k=0

# 开始比对，减少次数，避免溢出

for i in range(len(content)-len(text)):

for j in range(len(text)):

# 如果第一个相同那就比对后面的几个

if content[i+j]==text[j]:

sum=sum+1

# 如果全部相同，那么他就是相等的，让i往前移动len(text)-1个位置

if sum==len(text):

k=len(text)-1

else:

data.append(content[i+k])

sum=0

return data

# 获取网页

r=requests.get("https://www.biquge.com.cn/book/7787/192921.html")

# 需要剔除的字节

text=[239,191,189]

# 调用函数

content=Binary(text,r.content)

content=bytes(content)

# 把字节解码成Utf-8的文本

print(content.decode("utf-8"))

2. 让其轮空

在我们需要的时候不让data添加字节

def Binary(text,content):

# text是一个列表

# content是requests获取到的字节

content=bytearray(content)

data=bytearray()

sum=0

k=0

# 开始比对

for i in range(len(content)):

if k<=0:

for j in range(len(text)):

# 防止索引超出范围

if i+j>=len(content):

break

# 如果第一个相同那就比对后面的几个

if content[i+j]==text[j]:

sum=sum+1

# 如果全部相同，赋值给k

if sum==len(text):

k=sum

sum=0

# 利用k让for轮空

if k>0:

k=k-1

continue

data.append(content[i])

sum=0

return data

# 获取网页

r=requests.get("https://www.biquge.com.cn/book/7787/192921.html")

text=[239,191,189]

content=Binary(text,r.content)

content=bytes(content)

# 把字节解码成Utf-8的文本

print(content.decode("utf-8"))

3. 更为简练的写法

原来可以直接像是列表一样删除其索引，data.remove不能用，不知道为什么

def Binary(text,content):

# text是一个列表

# content是requests获取到的字节

content=bytearray(content)

data=bytearray()

sum=0

k=[]

# 开始比对

for i in range(len(content)-len(text)):

for j in range(len(text)):

if content[i+j]==text[j]:

sum=sum+1

if sum==len(text):

for j in range(len(text)):

k.append(i+j)

sum=0

for i in range(len(k)):

del content[k[0]]

return content

r=requests.get("https://www.biquge.com.cn/book/7787/192921.html")

text=[239,191,189]

content=Binary(text,r.content)

print(content.decode("utf-8"))

三、 总结

建议使用三种写法，更解决，前面可以加一个判断，使其del content[0]不会出现问题

def Binary(text,content):

# text是一个列表

# content是requests获取到的字节

content=bytearray(content)

data=bytearray()

sum=0

k=[]

# 开始比对

for i in range(len(content)-len(text)):

for j in range(len(text)):

if content[i+j]==text[j]:

sum=sum+1

if sum==len(text):

for j in range(len(text)):

k.append(i+j)

sum=0

# 如果不等那就代表着没有找到，返回原来的字节值就行

if len(k)!=len(text):

return content

for i in range(len(k)):

# content.pop(k[0])

del content[k[0]]

return content

r=requests.get("https://www.baidu.com")

text=[239,191,189]

content=Binary(text,r.content)

print(content.decode("utf-8"))

花了好长的时间，终于解决好了，可谓是一顿操作猛如虎，最后只解决一个字符问题，大写的尴尬

有能力的大佬可以多收集一些“锟斤拷”形成一个库，这样在用requests爬取网页时再也不怕网页出现不该出现的编码了

最后提供一个练习素材：里面含有一个“锟斤拷”

地址：蓝奏云下载地址