python中文乱码如何处理、如何处理跨域_python抓取中文网页乱码通用解决方法

我们经常通过python做采集网页数据的时候，会碰到一些乱码问题，今天给大家分享一个解决网页乱码，尤其是中文网页的通用方法。

首页我们需要安装chardet模块，这个可以通过easy_install 或者pip来安装。

安装完以后我们在控制台上导入模块，如果正常就可以。

比如我们遇到的一些ISO-8859-2也是可以通过下面的方法解决的。

直接上代码吧：

import urllib2

import sys

import chardet

req = urllib2.Request("http://www.163.com/")##这里可以换成http://www.baidu.com,http://www.sohu.com

content = urllib2.urlopen(req).read()

typeEncode = sys.getfilesystemencoding()##系统默认编码

infoencode = chardet.detect(content).get('encoding','utf-8')##通过第3方模块来自动提取网页的编码

html = content.decode(infoencode,'ignore').encode(typeEncode)##先转换成unicode编码，然后转换系统编码输出

print html

通过上面的代码，相信能够解决你采集乱码的问题。

接着开始学习网络爬虫的深入点儿的东东：

我用的是Chrome浏览器（firefox也行），打开上述网页，鼠标右击，选择审查元素，就会出现下面所示

首先我们来实现抓取第一篇文章“一次告别”的page的url

按住ctrl+f就会在上图左下角打开搜索栏，输入”一次告别“，就会自动定位到html源码所在位置，如上高亮显示的地方

接下来我们就是要把对应的url：http://blog.sina.com.cn/s/blog_4701280b0102ek51.html提取出来

详细实现代码如下：

1 #coding:utf-8

2 importurllib3 str0 = '一次告别'

4 title = str0.find(r'

14 filename = url[-26:]15 printfilename16 open(filename, 'w').write(content)

catchBlog.py

下面对代码进行解释：

首先利用find函数开始依次匹配查找'