Python網絡爬蟲出現亂碼問題的解決方法

2019-11-25 16:25:37

字體：大中小

來源：轉載

供稿：網友

關于爬蟲亂碼有很多各式各樣的問題，這里不僅是中文亂碼，編碼轉換、還包括一些如日文、韓文、俄文、藏文之類的亂碼處理，因為解決方式是一致的，故在此統一說明。

網絡爬蟲出現亂碼的原因

源網頁編碼和爬取下來后的編碼格式不一致。
如源網頁為gbk編碼的字節流，而我們抓取下后程序直接使用utf-8進行編碼并輸出到存儲文件中，這必然會引起亂碼即當源網頁編碼和抓取下來后程序直接使用處理編碼一致時，則不會出現亂碼; 此時再進行統一的字符編碼也就不會出現亂碼了

注意區分

源網編碼A、
程序直接使用的編碼B、
統一轉換字符的編碼C。

亂碼的解決方法

確定源網頁的編碼A,編碼A往往在網頁中的三個位置

1.http header的Content-Type
獲取服務器 header 的站點可以通過它來告知瀏覽器一些頁面內容的相關信息。 Content-Type 這一條目的寫法就是 "text/html; charset=utf-8"。

2.meta charset

3.網頁頭中Document定義

<script type="text/javascript"> if(document.charset){  alert(document.charset+"!!!!");  document.charset = 'GBK';  alert(document.charset); } else if(document.characterSet){  alert(document.characterSet+"????");  document.characterSet = 'GBK';  alert(document.characterSet); }

在獲取源網頁編碼時，依次判斷下這三部分數據即可，從前往后，優先級亦是如此。
以上三者中均沒有編碼信息一般采用chardet等第三方網頁編碼智能識別工具來做

安裝： pip install chardet

官方網站： http://chardet.readthedocs.io/en/latest/usage.html

Python chardet 字符編碼判斷

使用 chardet 可以很方便的實現字符串/文件的編碼檢測雖然HTML頁面有charset標簽，但是有些時候是不對的。那么chardet就能幫我們大忙了。
chardet實例

import urllib rawdata = urllib.urlopen('//m.survivalescaperooms.com/').read() import chardet chardet.detect(rawdata) {'confidence': 0.99, 'encoding': 'GB2312'}

chardet可以直接用detect函數來檢測所給字符的編碼。函數返回值為字典，有2個元素，一個是檢測的可信度，另外一個就是檢測到的編碼。

在開發自用爬蟲過程中如何處理漢字編碼?
下面所說的都是針對python2.7,如果不加處理，采集到的都是亂碼，解決的方法是將html處理成統一的utf-8編碼遇到windows-1252編碼，屬于chardet編碼識別訓練未完成

import chardet a='abc' type(a) str chardet.detect(a) {'confidence': 1.0, 'encoding': 'ascii'}   a ="我" chardet.detect(a) {'confidence': 0.73, 'encoding': 'windows-1252'} a.decode('windows-1252') u'/xe6/u02c6/u2018' chardet.detect(a.decode('windows-1252').encode('utf-8')) type(a.decode('windows-1252')) unicode type(a.decode('windows-1252').encode('utf-8')) str chardet.detect(a.decode('windows-1252').encode('utf-8')) {'confidence': 0.87625, 'encoding': 'utf-8'}   a ="我是中國人" type(a) str {'confidence': 0.9690625, 'encoding': 'utf-8'} chardet.detect(a) # -*- coding:utf-8 -*- import chardet import urllib2 #抓取網頁html html = urllib2.urlopen('//m.survivalescaperooms.com/').read() print html mychar=chardet.detect(html) print mychar bianma=mychar['encoding'] if bianma == 'utf-8' or bianma == 'UTF-8':  html=html.decode('utf-8','ignore').encode('utf-8') else:  html =html.decode('gb2312','ignore').encode('utf-8') print html print chardet.detect(html)

python代碼文件的編碼
py文件默認是ASCII編碼，中文在顯示時會做一個ASCII到系統默認編碼的轉換，這時就會出錯：SyntaxError: Non-ASCII character。需要在代碼文件的第一行添加編碼指示：