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:
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。
- import urllib
- #autor:pythontab.com
- fopen1 = urllib.urlopen('http://www.baidu.com').info()
- print fopen1.getparam('charset')# baidu
- #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
来源: https://www.oschina.net/code/snippet_105637_58570