视频1 视频21 视频41 视频61 视频文章1 视频文章21 视频文章41 视频文章61 推荐1 推荐3 推荐5 推荐7 推荐9 推荐11 推荐13 推荐15 推荐17 推荐19 推荐21 推荐23 推荐25 推荐27 推荐29 推荐31 推荐33 推荐35 推荐37 推荐39 推荐41 推荐43 推荐45 推荐47 推荐49 关键词1 关键词101 关键词201 关键词301 关键词401 关键词501 关键词601 关键词701 关键词801 关键词901 关键词1001 关键词1101 关键词1201 关键词1301 关键词1401 关键词1501 关键词1601 关键词1701 关键词1801 关键词1901 视频扩展1 视频扩展6 视频扩展11 视频扩展16 文章1 文章201 文章401 文章601 文章801 文章1001 资讯1 资讯501 资讯1001 资讯1501 标签1 标签501 标签1001 关键词1 关键词501 关键词1001 关键词1501 专题2001
python抓取并保存html页面时乱码问题的
2020-11-27 14:16:33 责编:小采
文档
 在用Python抓取html页面并保存的时候,经常出现抓取下来的网页内容是乱码的问题。出现该问题的原因一方面是自己的代码中编码设置有问题,另一方面是在编码设置正确的情况下,网页的实际编码和标示的编码不符合造成的。html页面标示的编码在这里:

代码如下:

<meta http-equiv="Content-Type" content="text/html; charset=utf-8" />

这里提供一种简单的办法解决:使用chardet判断网页的真实编码,同时从url请求返回的info判断标示编码。如果两种编码不同,则使用bs模块扩展为GB18030编码;如果相同则直接写入文件(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
'%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 = 'http://www.gxlcms.com'
 download(url)

得到的test.html文件打开如下,可以看到使用的是UTF-8无BOM编码格式存储的,也就是我们设置的默认编码:

更多python抓取并保存html页面时乱码问题的相关文章请关注PHP中文网!

下载本文
显示全文
专题