两种判断(抓取)网页编码的方法【python版】
2014-11-10 00:00
183 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
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。
相关文章推荐
- 两种判断(抓取)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
- 判断python字典中key是否存在的两种方法
- 判断网页编码的方法python版
- Python爬虫系列:判断目标网页编码的几种方法
- Python获取网页编码的两种方法——requests、chardet
- 判断python字典中key是否存在的两种方法
- Python遍历文件夹的两种方法比较
- 判断输入字符串是否等效Int32位数字的两种方法:int.TryParse(string s,out int result)和 Try Catch
- 正则表达式来判断输入0-100的数字,保留两位小数方法的两种方法
- 判断数据库是否存在的两种方法
- 判断文件结束有两种方法:EOF和feof()
- 判断文件结束有两种方法:EOF和feof()
- 判断委托操作结束的两种方法
- 判断主机字节序的两种方法
- python判断某个对象是否可以做一个字典的键多方法
- php 判断是否有中文字符的两种方法
- 防止email被抓取的两种方法(js和css)
- java中判断字符串是否数字的两种方法
- GridView判断使文字显示不同的颜色的两种方法:1前右判断;2.后台判断