问题
在做练习的时候,使用urllib爬取了一个网页,想使用正则表达式搜索一个html标签时,却发现怎么也搜索不到
>>> import urllib,re
>>> opener = urllib.URLopener()
>>> yzw = opener.open('http://yz.chsi.com.cn/yzzt/kyfs2018')
>>> page = yzw.read()
>>> re.findall('厦门大学',page)
[]
但是我print page
后发现确实有厦门大学这几个字:
然后用in
试了试
>>> 'html' in page
True
>>> '大学' in page
False
也就是说,文档中的英文能搜索到,中文却不行,那估计就是编码问题了
解决
安装chardet
模块用于检测编码,cmd中运行pip install chardet
,等待安装完毕
#检测编码,根据encoding的值发现解释器中的中文编码与下载的页面编码不同
>>> chardet.detect('厦门大学')
{'confidence': 0.3778122726379716, 'language': 'Thai', 'encoding': 'TIS-620'}
>>> chardet.detect(page)
{'confidence': 0.99, 'language': '', 'encoding': 'utf-8'}
发现二者编码并不相同,那我把它转成相同的编码进行搜索试试
>>> re.findall('厦门大学'.decode('TIS-620').encode('utf-8'),page)
[]
发现还是不成功,其实是chardet.detect()
函数判断错误了,当传给此函数检测的内容越多时,检测的结果越准确
>>> chardet.detect(这里是较长的中文字符串)
{'confidence': 0.99, 'language': 'Chinese', 'encoding': 'GB2312'
看见这熟悉的GB2312了,那再试试
>>> re.findall('厦门大学'.decode('gb2312').encode('utf-8'),page)
['\xe5\x8e\xa6\xe9\x97\xa8\xe5\xa4\xa7\xe5\xad\xa6', '\xe5\x8e\xa6\xe9\x97\xa8\xe5\xa4\xa7\xe5\xad\xa6']
终于搜索到了!
总结
出问题的根源在与解释器的中文是用GB2312编码的,而下载下来的页面是用utf-8编码的,导致不能成功的搜索,使用chardet模块检测二者的编码后,再转码,再搜索就可以了
#先转换成与待匹配字符串相同的编码
pattern = '<td>(.*?)厦门大学.*?</td>'
pattern = pattern.decode('GB2312').encode('utf-8')
#进行匹配...