import urllib2
import os
import sys
page = urllib2.urlopen('http://www.duolaiding.com');
soup = BeautifulSoup(page,fromEncoding="gb18030")
print soup.originalEncoding
print soup.prettify()
就是靠这行代码
http://leeon.me/a/beautifulsoup-chinese-page-resolve
又遇乱码,不过这次处理起来就比较容易了。
http://happylaoyu.blog.sohu.com/111505796.html
此文章讲的是很详细的。
乱码在用python 编程的过程中如魔鬼一般伴随着我,这一次又遇到了它。
参考了这段文字:
最近需要写一个python的RSS抓取解析程序,使用了feed parser。但是对于百度新闻的RSS,其编码方式为gb2312,feed parser探测出来的编码却是windows-1252,结果中文内容都是一堆乱码。
问题在于,并不是feedparser不能识别出gb2312编码,而是国人们往往将gb2312与gbk编码等同,某些已经使用了gbk编码里的字符的,仍然声称内容为gb2312编码。feedparser对gb2312编码严格遵循gb2312字符集范围,当探测到超出这一范围的字符,便将编码回退到windows-1252。由于百度的RSS实际使用的应该是gbk编码,里面含有超出gb2312范围的字符,于是feedparser便擅自决定了将编码退回windows-1252,导致了中文乱码的现象。
在网上搜到一个比较完美的解决方案是将gb2312编码与gbk或者国家编码标准gb18030之间建立alias关系,如我们可以在py文件里加上:
import encodings
encodings.aliases.aliases['gb2312'] = 'gb18030'
这样百度RSS中文乱码的现象便消失了。
共得到如下几点提示:首先是可以使用
page = urllib2.urlopen(url)
soup = BeautifulSoup(page,fromEncoding="utf-8")
print soup.originalEncoding
这行代码来确定乱码所用的编码方式是什么。
再用 print doc.decode('utf-8').encode('gb2312')来将编码方式在再现。
可以使用探测器来确定所使用的转换方式,当探测是windows-1252时可能是由于探测错误导致的。