在抓取网页的时候,经常会发现网页的东西能够正常的显示,但是用python抓下来以后,打印出来或者保存到数据库的时候出现了乱码。这是因为网页中的编码形式并不是python所默认的utf8编码,这时候如果能知道网页中具体的编码,在进行相应的转换就能得到正常的字符编码。
在探测网页编码,我们可以使用chardet
。具体的用法如下:
github的地址在:
https://github.com/chardet/chardet
安装方式:
pip install chardet
在抓取数据以后,直接使用 chardet
import urllib
rawdata = urllib.urlopen('http://tech.163.com/special/00097UHL/tech_datalist.js').read()
import chardet
print chardet.detect(rawdata)
结果如下:
{'confidence': 0.99, 'language': 'Chinese', 'encoding': 'GB2312'}
通过 chardet 探测出,网页的字符编码为GB2312编码,通过unicode转化为utf8编码:
str_body = unicode(rawdata, "gb2312").encode("utf8")
把字符编码转换为utf8,能够避免很多不必要的麻烦。