转载python抓取网页时候,判断网页编码格式

Posted 水中的火柴盒

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了转载python抓取网页时候,判断网页编码格式相关的知识,希望对你有一定的参考价值。

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~~

 




以上是关于转载python抓取网页时候,判断网页编码格式的主要内容,如果未能解决你的问题,请参考以下文章

Python爬虫怎么抓取html网页的代码块

python爬虫抓取到的数据用网页打开时是乱码,怎么解决

临时用VB做了个抓取网页数据,但是网页返回的中文是unicode编码,怎么转为中文。

如何利用python读取网页中变量的内容

刚学python,抓中文网页遇到编码的问题,怎么转换也不行

Python爬虫系列:判断目标网页编码的几种方法