python urllib2爬取网页,编码问题

 使用urllib2爬取网页时,由于网页编码和系统的编码不统一,会导致乱码问题。

一般linux系统都使用utf-8编码,将爬取的网页内容转换成utf-8编码,统一编码类型。

1)检测网页编码类型

2)编码转换

import urllib2
import chardet
if __name__=="__main__":
    url = "http://news.163.com/16/1030/20/C4LDRHVC000189FH.html"
    req = urllib2.Request(url)
    res = urllib2.urlopen(req)
    html = res.read()
    # 获取网页编码
   char_type = chardet.detect(html)
    print char_type
    # 非utf-8码
    if chardet["encoding"].lower() != 'utf-8':
        html = unicode(html, "gbk").encode("utf8")
    print html

编码类型gb2312的网页进行encode('utf-8')转码时,会出现错误。用gbk就会避免错误。

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 1
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值