こんにちは! O'Reilly Japanカタログページをrequests.getで取得すると、日本語部分に文字化けが発生します。これまで何度かスクレイピングをした経験はあるのですが、文字化けが発生したのは初めてです。

ゆくゆくは本のタイトルとリンクを取得し (Pythonに絞った結果を取得できれば更に嬉しい)、そのリンクに飛んで著者や価格、発行年を取得したいです。。。が、それ以前に文字化けの対処法がわからず困っています。

f1 = open('r.txt', 'w', encoding = 'utf-8')としてみましたが、結果が変わりませんorz
どうか知恵をお貸しください(._.)

現在のコード

from bs4 import BeautifulSoup
import requests
import warnings
warnings.filterwarnings('ignore')
r = requests.get("https://www.oreilly.co.jp/catalog/")

html_doc = r.text
soup = BeautifulSoup(html_doc)

print(soup.prettify())
f1 = open('r.txt', 'w', encoding = 'utf-8')
f1.write(html_doc)

取得データ一部

<tr><td>4-87311-061-0</td><td id="4873110610" class="title"><a href="../books/4873110610/">Javaãããã¯ã¼ã¯ããã°ã©ãã³ã° ç¬¬2ç</a></td><td class="price">6,264 </td><td>2001/10/01</td></tr>

望む結果

<tr><td>4-87311-061-0</td><td id="4873110610" class="title"><a href="../books/4873110610/">Javaネットワークプログラミング 第2版</a></td><td class="price">6,264 </td><td>2001/10/01</td></tr>

できましたー(≧∇≦)

hayataka2049様のアドバイスでr.encoding = r.apparent_encodingを追加したら日本語がきちんと表示されるようになりました<3

完成コード

import requests
import warnings
warnings.filterwarnings('ignore')
r = requests.get("https://www.oreilly.co.jp/catalog/")
r.encoding = r.apparent_encoding

html_doc = r.text
soup = BeautifulSoup(html_doc)

print(soup.title)
f1 = open('r.txt', 'w')
f1.write(html_doc)