python抓取并保存html页面的乱码解决办法

       在用python抓取html页面并保存的时候，经常出现抓取下来的网页内容是乱码的问题。出现该问题的原因一方面是自己的代码中编码设置有问题，另一方面是在编码设置正确的情况下，网页的实际编码和标示的编码不符合造成的。html页面标示的编码在这里：<meta http-equiv="Content-Type" content="text/html; charset=utf-8" />。

       这里提供一种简单的办法解决：使用chardet判断网页的真实编码，同时从url请求返回的info判断标示编码。如果两种编码不同，则使用bs模块扩展为GB18030编码；如果相同则直接写入文件（这里设置系统默认编码为utf-8）。

import urllib2
import sys
import bs4
import chardet

reload(sys)
sys.setdefaultencoding('utf-8')

def download(url):
    htmlfile = open('test.html','w')

    try:
        result = urllib2.urlopen(url)
        content = result.read()
        info = result.info()
        result.close()
    except Exception,e:
        print 'download error!!!'
        print e
    else:
        
        if content != None:
            charset1 = (chardet.detect(content))['encoding'] #real encoding type
            charset2 = info.getparam('charset') #declared encoding type
            print charset1,' ', charset2

            # case1: charset is not None.
            if charset1 != None and charset2 != None and charset1.lower() != charset2.lower():
                newcont = bs4.BeautifulSoup(content, from_encoding='GB18030')   #coding: GB18030
                for cont in newcont:
                    htmlfile.write('%s\n'%cont)
            # case2: either charset is None, or charset is the same.
            else:
                #print sys.getdefaultencoding()
                htmlfile.write(content) #default coding: utf-8
    htmlfile.close()

if __name__ == "__main__":
    url = 'http://www.csdn.net'
    download(url)

得到的test.html文件打开如下，可以看到使用的是UTF-8无BOM编码格式存储的，也就是我们设置的默认编码：