标签：分享图片 char 文章 使用 charset 教学 分类 实战 这就是我
---恢复内容开始---
百度风云榜一共有50个关键词，我们先任选其中一个打开看看。
从零基础到项目实战视频群：125240963
一、实验目的
我们的目的是通过百度风云榜，获取相关关键词的新闻内容。（后面会有一篇文章会讲到用咱们今天获取的数据做文本聚类）
运行，结果keyword全部为乱码，没有一点中文的痕迹。
这就是我们今天要克服的问题-html编码问题。
遇到这种问题问题，我们可能会先在html标签中查找charset字符集。一般charset值有utf-8、gbk、gb2312、ascii等。
再次运行,汉字正常显示。
2.2 定位搜索页面新闻链接
上面我们获取到了关键词及其链接，浏览器点击“46年吃3万个汉堡”对应的链接，跳转到 百度搜索页，如下图。
我们想获取新闻内容，而要获取新闻内容，我们就要知道新闻对应的链接。首先我们要定位,如下图。这里我们使用另外一种方式定位链接-正则表达式。
2.4 编写爬虫主函数
编写爬虫主函数，将数据保存到csv中。
运行爬虫，采集了50个关键词共388篇新闻内容。后续我们将对388篇文章内容做聚类分析，采用Kmeans算法试图让机器对388篇文章进行分类标注。而50个关键词则可以作为标签，衡量聚类的效果。
觉得这篇文章有帮到你的话，请给个关注哦！
---恢复内容结束---
写爬虫时碰到过乱码吗？乱码了怎么办？超长篇教学解决方法给你！
标签：分享图片 char 文章 使用 charset 教学 分类 实战 这就是我
原文地址：https://www.cnblogs.com/sm123456/p/9029149.html
