zoukankan      html  css  js  c++  java
  • python 处理抓取网页乱码问题一招鲜

    FROM: http://my.oschina.net/012345678/blog/122355

    相信用python的人一定在抓取网页时,被编码问题弄晕过一阵

    前几天写了一个测试网页的小脚本,并查找是否包含指定的信息。

    在html = urllib2.open(url).read()  时,打印到控制台始终出现乱码。

    一般的解决办法就是html.decode('utf-8').encode('gb2312'),不过这个即使用了,也没能解决我的问题

    这里有两个问题,第一个你要知道网页的编码格式是utf-8     第二你得确定你的系统是gb2312的,能不能主动获取网页的编码格式,并主动获取系统编码格式,像这样

    网页编码 = 获取网页编码

    系统编码 = 获取系统编码

    html.decode(网页编码).encode(系统编码)  即使我不知道网页编码,系统编码,只要双方能转 ,就行

    网页编码 = re.complier('正则获取meta里的编码格式')

    系统编码 =  sys.getfilesystemencoding()  ########关键的关键

    html.decode(网页编码).encode(系统编码)   现在打印,一切正常了。我才不管系统什么编码,只要你能转。

  • 相关阅读:
    ThreadPoolExecutor使用介绍
    apache和tomcat区别(转)
    ThreadFactory的理解
    Tomcat报45秒无法启动错误修改方法
    快速排序
    冒泡排序
    矩阵快速幂
    CF#524-C
    CF#524-B
    hdu3308—LCIS
  • 原文地址:https://www.cnblogs.com/wmx3ng/p/3497111.html
Copyright © 2011-2022 走看看