python抓取并保存html页面时乱码问题的解决方法

作者:holybin 时间:2022-06-06 21:41:40 

本文实例讲述了python抓取并保存html页面时乱码问题的解决方法。分享给大家供大家参考,具体如下:

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:

<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\n'%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 = 'https://www.jb51.net'
 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:

python抓取并保存html页面时乱码问题的解决方法

希望本文所述对大家Python程序设计有所帮助。

标签:python,抓取,html,乱码,解决方法
0
投稿

猜你喜欢

  • ASP中使用存储过程介绍

    2008-10-10 12:10:00
  • pycharm设置当前工作目录的操作(working directory)

    2023-07-14 00:06:34
  • Python3查找列表中重复元素的个数的3种方法详解

    2022-08-01 16:36:07
  • python读取中文txt文本的方法

    2021-06-10 03:55:51
  • JavaScript入门学习书籍的阶段选择

    2008-01-11 19:39:00
  • python中map()函数使用方法详解

    2022-12-19 13:56:37
  • asp 多关键词搜索的简单实现方法

    2011-04-11 10:45:00
  • 详解Go语言中单链表的使用

    2024-02-01 11:55:03
  • mybatis分页插件pageHelper详解及简单实例

    2024-01-19 17:35:25
  • 基于pandas将类别属性转化为数值属性的方法

    2021-11-24 07:15:16
  • uniapp组件uni-popup弹出层的使用

    2024-04-28 09:47:55
  • Python接口测试数据库封装实现原理

    2024-01-27 11:19:46
  • JS高阶函数原理与用法实例分析

    2024-05-09 10:36:21
  • Swoole webSocket消息服务系统代码设计详解

    2023-06-09 01:05:28
  • 6个卓越Web设计细节

    2010-03-29 12:56:00
  • 通过asp程序来创建access数据库

    2011-04-02 11:17:00
  • SQL Server 2005删除日志文件的几种方法小结

    2024-01-25 08:29:05
  • Python入门第1/10页

    2023-03-19 19:34:34
  • 解决python DataFrame 打印结果不换行问题

    2023-11-20 23:12:25
  • 浅谈Python中range与Numpy中arange的比较

    2021-05-21 00:15:48
  • asp之家 网络编程 m.aspxhome.com