两种判断(抓取)网页编码的方法【python版】
2013-01-14 12:47
225 查看
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
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
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。
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
import urllib #autor:pythontab.com fopen1 = urllib.urlopen('http://www.baidu.com').info() 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
#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 #author:pythontab.com import chardet import urllib #先获取网页内容 data1 = urllib.urlopen('http://www.baidu.com').read() #用chardet进行内容分析 chardit1 = chardet.detect(data1) 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。
相关文章推荐
- 两种判断(抓取)网页编码的方法【python版】
- 判断python字典中key是否存在的两种方法
- 判断python字典中key是否存在的两种方法
- Python爬虫系列:判断目标网页编码的几种方法
- 判断网页编码的方法python版
- 【Python】判断一个变量的数据类型的两种方法
- Python获取网页编码的两种方法——requests、chardet
- Python 3 抓取网页资源的 N 种方法
- 利用Python抓取行政区划码的方法
- python 抓取网页的方法
- [ObjC]objective c判断中英文混合的字符长度的两种方法
- Python随机生成验证码的两种方法
- Python遍历文件夹的两种方法比较
- 判断一棵树是否为二叉排序树的两种方法
- python 读取并显示图片的两种方法
- python3 抓取网页资源的 N 种方法
- Python取日期范围循环操作的两种方法
- 判断点和mesh的位置关系的两种方法
- python 字典中取值的两种方法
- python3中获取文件当前绝对路径的两种方法