在web开发的时候我们经常会遇到网页抓取和分析,各种语言都可以完成这个功能。我喜欢用python实现,因为python提供了很多成熟的模块,可以很方便的实现网页抓取。
但是在抓取过程中会遇到编码的问题,那今天我们来看一下如何判断网页的编码:
网上很多网页的编码格式都不一样,大体上是GBK,GB2312,UTF-8等。
我们在获取网页的的数据后,先要对网页的编码进行判断,才能把抓取的内容的编码统一转换为我们能够处理的编码,避免乱码问题的出现。
使用chardet模块
1 #如果你的python没有安装chardet模块,你需要首先安装一下chardet判断编码的模块哦 2 #author:pythontab.com 3 import chardet 4 import urllib 5 #先获取网页内容 6 data1 = urllib.urlopen(‘http://www.baidu.com‘).read() 7 #用chardet进行内容分析 8 chardit1 = chardet.detect(data1) 9 10 print chardit1[‘encoding‘] # baidu
执行结果为:
gb2312
这个结果都是正确的哦,各位可以去亲自验证一下~~