在web开发的时候我们经常会遇到网页抓取和分析,各种语言都可以完成这个功能。我喜欢用python实现,因为python提供了很多成熟的模块,可以很方便的实现网页抓取。
但是在抓取过程中会遇到编码的问题,那今天我们来看一下如何判断网页的编码:
网上很多网页的编码格式都不一样,大体上是GBK,GB2312,UTF-8等。
我们在获取网页的的数据后,先要对网页的编码进行判断,才能把抓取的内容的编码统一转换为我们能够处理的编码,避免乱码问题的出现。
下面介绍两种判断网页编码的方法:
方法一:使用urllib模块的getparam方法
import urllib fopen1 = urllib.urlopen('http://www.baidu.com').info() fopen2 = urllib.urlopen('http://www.pythontab.com').info() print fopen1.getparam('charset')# baidu print fopen2.getparam('charset')# pythontab
执行结果为:
gbk
None
PS: 呵呵,其实,上面的获取的编码都是不正确的,我们可以自己打开网页查看源代码,发现baidu的是gb2312,而pythontab是utf-8。唉,这个方法确实有点坑爹啊。检测不准确、检测不到,它都占了,所以很不靠谱,下面介绍一个靠谱的方法。
方法二:使用chardet模块
#如果你的python没有安装chardet模块,你需要首先安装一下chardet判断编码的模块哦 import chardet import urllib #先获取网页内容 data = urllib.urlopen('http://www.pythontab.com').read() #用chardet进行内容分析 chardit = chardet.detect(data) data1 = urllib.urlopen('http://www.baidu.com').read() chardit1 = chardet.detect(data1) print chardit['encoding'] # pythontab print chardit1['encoding'] # baidu
执行结果为:
utf-8
gb2312
这两个结果都是正确的哦,各位可以去亲自验证一下~~
总结:第二个方法很准确,在网页编码分析的时候用python模块分析内容是最准确的,而使用分析meta头信息的方法是不太准确的。