php网页抓取乱码(想了解python抓取并保存html页面时乱码问题的解决办法的相关内容吗)

优采云 发布时间: 2021-11-02 11:15

  php网页抓取乱码(想了解python抓取并保存html页面时乱码问题的解决办法的相关内容吗)

  想知道python抓取保存html页面时出现乱码问题的解决方法相关内容吗?在本文中,holybin将仔细讲解python抓取保存html页面时出现乱码问题的相关知识和一些代码示例。欢迎阅读并指正,先重点介绍:python,抓取,保存,html页面,乱码,解决方法,一起学习。

  本文示例介绍了python抓取并保存html页面时出现乱码问题的解决方法。分享给大家,供大家参考,如下:

  使用Python抓取html页面并保存时,经常会出现抓取页面内容乱码的问题。出现这个问题的原因一方面是代码中的编码设置有问题,另一方面,当编码设置正确时,网页的实际编码与标记的编码不匹配。html页面上标注的代码在这里:

  复制代码代码如下:

  这里有一个简单的解决方法:使用chardet判断网页的真实编码,同时从url请求返回的info中判断mark编码。如果两种编码不同,使用bs模块扩展为GB18030编码;如果相同,直接写入文件(这里设置系统默认编码为utf-8)。

  

import urllib2

import sys

import bs4

import chardet

reload(sys)

sys.setdefaultencoding('utf-8')

def download(url):

htmlfile = open('test.html','w')

try:

result = urllib2.urlopen(url)

content = result.read()

info = result.info()

result.close()

except Exception,e:

print 'download error!!!'

print e

else:

if content != None:

charset1 = (chardet.detect(content))['encoding'] #real encoding type

charset2 = info.getparam('charset') #declared encoding type

print charset1,' ', charset2

# case1: charset is not None.

if charset1 != None and charset2 != None and charset1.lower() != charset2.lower():

newcont = bs4.BeautifulSoup(content, from_encoding='GB18030') #coding: GB18030

for cont in newcont:

htmlfile.write('%s\n'%cont)

# case2: either charset is None, or charset is the same.

else:

#print sys.getdefaultencoding()

htmlfile.write(content) #default coding: utf-8

htmlfile.close()

if __name__ == "__main__":

url = '//www.qb5200.com'

download(url)

  获取到的test.html文件打开如下,可以看到它是以UTF-8无BOM编码格式存储的,也就是我们设置的默认编码:

  

  我希望这篇文章对你的 Python 编程有所帮助。

  相关文章

0 个评论

要回复文章请先登录注册


官方客服QQ群

微信人工客服

QQ人工客服


线