Python | 爬取网站中文乱码问题

最新推荐文章于 2025-03-04 23:56:43 发布

chixu4685

最新推荐文章于 2025-03-04 23:56:43 发布

阅读量1.1k

点赞数 2

文章标签： python xhtml 开发工具

原文链接：https://my.oschina.net/u/3946357/blog/3077518

版权

本文介绍了一种常见的Python爬虫中遇到的HTML页面中文乱码问题及其解决方案。问题源于Python终端与HTML页面编码不一致导致，通过正确识别并转换编码格式可以有效解决。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

问题描述

response = utils.send_request('http://www.crha.cn/gzdt.html')
print(response.text)

ï»¿
<!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Transitional//EN" "http://www.w3.org/TR/xhtml1/DTD/xhtml1-transitional.dtd">
<html xmlns="http://www.w3.org/1999/xhtml">
<head>
<meta http-equiv="Content-Type" content="text/html; charset=utf-8" />

<title>å·¥ä½å¨æâä¸å½ç ç©¶åå»é¢å¦ä¼</title>
<meta name="Keywords" content="å·¥ä½å¨æ,ä¸å½ç ç©¶åå»é¢å¦ä¼,ç ç©¶åå»é¢å¦ä¼,ç ç©¶åå»é¢,ç ç©¶åå»é¢å»ºè®¾" />
<meta name="Description" content="ä¸å½ç ç©¶åå»é¢å¦ä¼æ¯å¸®å©ç ç©¶åå»é¢æå»ºâä¸´åºé®é¢âå®éªç ç©¶âä¸´åºæ²»çâå¾ªç¯æ°æºå¶ï¼å½¢æå»è¯ç»åãå»å·¥ç»åãåºç¡ä¸ä¸´åºç»åãç ç©¶ä¸è½¬åç¸éå¥çç§æåæ°æ¨¡å¼ï¼ä¿è¿ç ç©¶åå»é¢æä¸ºçé¾å±éçççè¯çåºå°ãé«æ°è¯ç©è®¾å¤çç ååºå°ãåè¿å»çææ¯çåæ°åºå°åå»å¦ç§æä¿¡æ¯çäº¤æµåºå°ã" />
<meta http-equiv="x-ua-compatible" content="ie=emulateie7" />
<link href="/Css/Style.css" rel="stylesheet" type="text/css" />
</head>
...

原因分析

Python 终端的编码方式是 UTF-8 ，而 HTML 编码方式并不是 UTF-8 （可通过 response.encoding 查询页面编码格式），所以中文产生了乱码

解决方案

response = utils.send_request('http://www.crha.cn/gzdt.html')
print(response.encoding)  # 1.查询页面的编码方式，此处为 ISO-8859-1

print(response.text.encode('ISO-8859-1').decode('utf-8'))  # 2.解码再编码

<!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Transitional//EN" "http://www.w3.org/TR/xhtml1/DTD/xhtml1-transitional.dtd">
<html xmlns="http://www.w3.org/1999/xhtml">
<head>
<meta http-equiv="Content-Type" content="text/html; charset=utf-8" />

<title>工作动态—中国研究型医院学会</title>
<meta name="Keywords" content="工作动态,中国研究型医院学会,研究型医院学会,研究型医院,研究型医院建设" />
<meta name="Description" content="中国研究型医院学会是帮助研究型医院构建“临床问题―实验研究―临床治疗”循环新机制，形成医药结合、医工结合、基础与临床结合、研究与转化相配套的科技创新模式，促进研究型医院成为疑难危重病症的诊疗基地、高新药物设备的研发基地、先进医疗技术的创新基地和医学科技信息的交流基地。" />
<meta http-equiv="x-ua-compatible" content="ie=emulateie7" />
<link href="/Css/Style.css" rel="stylesheet" type="text/css" />
</head>
...

encode与decode函数