python抓取并保存html頁面時亂碼問題的解決方法

更新時間：2016年07月01日 11:23:47 作者：holybin

這篇文章主要介紹了python抓取并保存html頁面時亂碼問題的解決方法,結(jié)合實(shí)例形式分析了Python頁面抓取過程中亂碼出現(xiàn)的原因與相應(yīng)的解決方法,需要的朋友可以參考下

本文實(shí)例講述了python抓取并保存html頁面時亂碼問題的解決方法。分享給大家供大家參考，具體如下：

在用Python抓取html頁面并保存的時候，經(jīng)常出現(xiàn)抓取下來的網(wǎng)頁內(nèi)容是亂碼的問題。出現(xiàn)該問題的原因一方面是自己的代碼中編碼設(shè)置有問題，另一方面是在編碼設(shè)置正確的情況下，網(wǎng)頁的實(shí)際編碼和標(biāo)示的編碼不符合造成的。html頁面標(biāo)示的編碼在這里：

復(fù)制代碼代碼如下:

這里提供一種簡單的辦法解決：使用chardet判斷網(wǎng)頁的真實(shí)編碼，同時從url請求返回的info判斷標(biāo)示編碼。如果兩種編碼不同，則使用bs模塊擴(kuò)展為GB18030編碼；如果相同則直接寫入文件（這里設(shè)置系統(tǒng)默認(rèn)編碼為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.dhdzp.com'
  download(url)

得到的test.html文件打開如下，可以看到使用的是UTF-8無BOM編碼格式存儲的，也就是我們設(shè)置的默認(rèn)編碼：