两种判断(抓取)网页编码的方法【python版】

2014/11/10 21:02
阅读数 53

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。

下面介绍两种判断网页编码的方法


方法一:使用urllib模块的getparam方法

1 import urllib
2 #autor:pythontab.com
3 fopen1 = urllib.urlopen('http://www.baidu.com').info()
4 print fopen1.getparam('charset')# baidu

 

执行结果为:

gbk

呵呵,其实,上面的获取的编码都是不正确的,我们可以自己打开网页查看源代码,发现baidu的是gb2312。唉,这个方法确实有点坑爹啊。检测不准确、检测不到,它都占了,所以很不靠谱,下面介绍一个靠谱的方法。


方法二: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~~

总结:第二个方法很准确,在网页编码分析的时候用python模块分析内容是最准确的,而使用分析meta头信息的方法是不太准确的。

 

展开阅读全文
打赏
0
0 收藏
分享
加载中
更多评论
打赏
0 评论
0 收藏
0
分享
返回顶部
顶部