网页抓取解密( Python页面抓取过程中乱码的原因与相应的解决方法)

　　网页抓取解密(

Python页面抓取过程中乱码的原因与相应的解决方法)

　　python抓取并保存html页面时出现乱码问题的解决方法

　　更新时间：2016-07-01 11:23:47 作者：holybin

　　本文文章主要介绍了python爬取html页面时出现乱码问题的解决方法，并结合示例表单分析了python页面爬取过程中出现乱码的原因及相应的解决方法。有需要的朋友可以参考Down

　　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来判断网页的真实编码，同时从url请求返回的info中判断出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 = 'https://www.jb51.net'

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：

　　

　　对Python相关内容感兴趣的读者可以查看本站专题：《Python编码操作技巧总结》、《Python图片操作技巧总结》、《Python数据结构与算法教程》、《Python Socket编程技巧总结》 ,《Python函数使用技巧总结》、《Python字符串操作技巧总结》、《Python入门及进阶经典教程》、《Python文件与目录操作技巧总结》

　　我希望这篇文章对你的 Python 编程有所帮助。