刚开始做微博爬虫刚开始,就遇到了大坑,大部分网站默认charset=utf-8,但是http://www.weibo.com是gb2312,我没看见,导致一直出问题,乱码问题解决不了。网上的解决方法都是open()里面加上encoding参数,但是我的open方法里压根没有啊。
对症下药??
如果你保存的html文件中文乱码、直接print也是乱码,并且用的是xshall6客户端且语言设置的是utf-8或者用的是阿里云的客户端。
1.先查看你保存的网页是那种编码
2.先对保存的文件进行相应的解码比如我的是gb2312
3.对解码后的文件在进行编码编码成utf-8
4.重新编码后的直接写入本地文件
html = reponse.read().decode('gb2312')
html = html.encode('utf-8')