Проблема с кодировкой сохранения в CSV
Запускаю парсер на 10 страниц, до 8 всё идёт хорошо, потом ошибка
Traceback (most recent call last):
File "D:\Python\QuotesToScrape.py", line 55, in <module>
parser()
File "D:\Python\QuotesToScrape.py", line 51, in parser
save_doc(cards, CSV)
File "D:\Python\QuotesToScrape.py", line 35, in save_doc
writer.writerow([item['title']])
File "C:\Users\100nout.by\AppData\Local\Programs\Python\Python39\lib\encodings\cp1251.py", line 19, in encode
return codecs.charmap_encode(input,self.errors,encoding_table)[0]
UnicodeEncodeError: 'charmap' codec can't encode character '\u2032' in position 1: character maps to <undefined>
Process finished with exit code 1
Как я понимаю проблема в апострофе после которого сразу идёт пробел на странице https://quotes.toscrape.com/page/8/ и эксель если ввести вручную "' "(знак ' и пробел) не отображает их. Если применять кодировку utf-8 то всё двойные ковычки в цитатах становятся иероглифами. Хелп плиз
import requests
from bs4 import BeautifulSoup
import csv
CSV = 'cards.csv'
HOST = 'https://quotes.toscrape.com/'
URL = 'https://quotes.toscrape.com/page/'
HEADERS = {
'accept' : 'text/html,application/xhtml+xml,application/xml;q=0.9,image/avif,image/webp,image/apng,*/*;q=0.8,application/signed-exchange;v=b3;q=0.9',
'user-agent' : 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/92.0.4515.159 Safari/537.36'
}
def get_html(url):
r = requests.get(url, headers = HEADERS)
return r
def get_content(html):
soup = BeautifulSoup(html, 'html.parser')
items = soup.find_all('div', class_ = 'quote')
cards = []
for item in items:
cards.append(
{
'title' : item.find('span', class_ = 'text').get_text()
}
)
return cards
def save_doc(items, path):
with open(path, 'w', newline='') as file:
writer = csv.writer(file, delimiter = ';')
writer.writerow(['Название'])
for item in items:
writer.writerow([item['title']])
def parser():
PAGENATION = input('Укажите количество страниц для парсинга: ')
PAGENATION = int(PAGENATION.strip())
if PAGENATION > 10:
print(f'Максимальное количество страниц для парсинга - 10.')
else:
html = get_html(HOST)
if html.status_code == 200:
cards = []
for page in range(1, PAGENATION + 1):
print(f'Парсим страницу: {page}')
html = get_html(URL + str(page))
cards.extend(get_content(html.text))
save_doc(cards, CSV)
else:
print('Error')
parser()
Бонусный вопрос не по теме: Может посоветуете где можно изучить материалы по теме парсинга при скроле с подгрузкой и парсинга по страницам если нет параметра page, т.е. адрес каждой страницы состоит из набора символов? Благодарю.
Ответы (1 шт):
При записи файла в кодировке cp1251 (родная кодировка Windows и Excel) не удаётся преобразовать unicode символ ′ в эту кодировку. Как вариант, могу предложить заменять этот символ на обычный апостроф:
writer.writerow([item['title'].replace('\u2032',"'")])
Ну или найдите в кодировке cp1251 подходящий символ и делайте замену на него.
Вероятно, есть и другие решения, но это работает.