爬虫网页编码问题解决思路

Posted 2020-06-17

用python抓取网页，很容易遇到例如：‘utf8‘ codec can‘t decode byte 0xc5 类似的编码的问题。

这里提供几种排查思路：

1. 可以先查看你的Linux系统是不是UTF-8。如果不是的话可以修改：

   echo $LANG

   export LANG=en_US.UTF8

   
   

2. 首先python2默认所有编码统一是unicode，因此你可以在代码前面加入

   #-*-coding:utf-8 -*-

3. 网页的编码可能为gbk，可以把gbk先decode，在统一encode为utf-8。

   response = response.decode(‘gbk‘,‘ignore‘).encode(‘utf-8‘)

4. 也可以利用import chardet先做判断
   

   encoding_dict = chardet.detect(response)
   web_encoding = encoding_dict[‘encoding‘]
   if web_encoding == ‘utf-8‘ or web_encoding == ‘UTF-8‘:
     html = response
   else :
      html = response.decode(‘gbk‘,‘ignore‘).encode(‘utf-8‘)

我遇到的问题就解决了，如果有其他情况，我会继续补充，欢迎指正

本文出自 “新手PS欢迎交流” 博客，请务必保留此出处http://linpeisong.blog.51cto.com/9601554/1745578