Python网络爬虫出现乱码问题的解决方法


Posted in Python onJanuary 05, 2017

关于爬虫乱码有很多各式各样的问题,这里不仅是中文乱码,编码转换、还包括一些如日文、韩文 、俄文、藏文之类的乱码处理,因为解决方式是一致的,故在此统一说明。

网络爬虫出现乱码的原因

源网页编码和爬取下来后的编码格式不一致。
如源网页为gbk编码的字节流,而我们抓取下后程序直接使用utf-8进行编码并输出到存储文件中,这必然会引起乱码 即当源网页编码和抓取下来后程序直接使用处理编码一致时,则不会出现乱码; 此时再进行统一的字符编码也就不会出现乱码了

注意区分

  • 源网编码A、
  • 程序直接使用的编码B、
  • 统一转换字符的编码C。

乱码的解决方法

确定源网页的编码A,编码A往往在网页中的三个位置

1.http header的Content-Type
获取服务器 header 的站点可以通过它来告知浏览器一些页面内容的相关信息。 Content-Type 这一条目的写法就是 "text/html; charset=utf-8"。

2.meta charset

<meta http-equiv="Content-Type" content="text/html; charset=utf-8" /> 

3.网页头中Document定义

<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); 
}

在获取源网页编码时,依次判断下这三部分数据即可,从前往后,优先级亦是如此。
以上三者中均没有编码信息 一般采用chardet等第三方网页编码智能识别工具来做

安装: pip install chardet

官方网站: http://chardet.readthedocs.io/en/latest/usage.html

Python chardet 字符编码判断

使用 chardet 可以很方便的实现字符串/文件的编码检测 虽然HTML页面有charset标签,但是有些时候是不对的。那么chardet就能帮我们大忙了。
chardet实例

import urllib 
rawdata = urllib.urlopen('https://3water.com/').read() 
import chardet 
chardet.detect(rawdata) 
{'confidence': 0.99, 'encoding': 'GB2312'}

chardet可以直接用detect函数来检测所给字符的编码。函数返回值为字典,有2个元素,一个是检测的可信度,另外一个就是检测到的编码。

在开发自用爬虫过程中如何处理汉字编码?
下面所说的都是针对python2.7,如果不加处理,采集到的都是乱码,解决的方法是将html处理成统一的utf-8编码 遇到windows-1252编码,属于chardet编码识别训练未完成

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 ="我是中国人" 
type(a) 
str 
{'confidence': 0.9690625, 'encoding': 'utf-8'} 
chardet.detect(a) 
# -*- coding:utf-8 -*- 
import chardet 
import urllib2 
#抓取网页html 
html = urllib2.urlopen('https://3water.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代码文件的编码
py文件默认是ASCII编码,中文在显示时会做一个ASCII到系统默认编码的转换,这时就会出错:SyntaxError: Non-ASCII character。需要在代码文件的第一行添加编码指示:

# -*- coding:utf-8 -*- 
 
print '中文'

像上面那样直接输入的字符串是按照代码文件的编码'utf-8'来处理的
如果用unicode编码,以下方式:

s1 = u'中文' #u表示用unicode编码方式储存信息

decode是任何字符串具有的方法,将字符串转换成unicode格式,参数指示源字符串的编码格式。
encode也是任何字符串具有的方法,将字符串转换成参数指定的格式。

更多内容请参考专题《python爬取功能汇总》进行学习。

以上就是本文的全部内容,希望对大家的学习有所帮助,也希望大家多多支持三水点靠木。

Python 相关文章推荐
Python用Bottle轻量级框架进行Web开发
Jun 08 Python
python实现应用程序在右键菜单中添加打开方式功能
Jan 09 Python
python 换位密码算法的实例详解
Jul 19 Python
Python实现的人工神经网络算法示例【基于反向传播算法】
Nov 11 Python
numpy 进行数组拼接,分别在行和列上合并的实例
May 08 Python
python库matplotlib绘制坐标图
Oct 18 Python
Python RabbitMQ实现简单的进程间通信示例
Jul 02 Python
解决Python安装cryptography报错问题
Sep 03 Python
详解Python流程控制语句
Oct 28 Python
pytorch中index_select()的用法详解
Jan 06 Python
PyTorch 如何自动计算梯度
May 23 Python
Python开发之QT解决无边框界面拖动卡屏问题(附带源码)
May 27 Python
python fabric实现远程部署
Jan 05 #Python
python 捕获 shell/bash 脚本的输出结果实例
Jan 04 #Python
python 捕获shell脚本的输出结果实例
Jan 04 #Python
完美解决Python2操作中文名文件乱码的问题
Jan 04 #Python
python去除空格和换行符的实现方法(推荐)
Jan 04 #Python
python去掉行尾的换行符方法
Jan 04 #Python
python对json的相关操作实例详解
Jan 04 #Python
You might like
5.PHP的其他功能
2006/10/09 PHP
解析php根据ip查询所在地区(非常有用,赶集网就用到)
2013/07/01 PHP
php计算整个目录大小的方法
2015/06/19 PHP
PHP获取对象属性的三种方法实例分析
2019/01/03 PHP
转一个日期输入控件,支持FF
2007/04/27 Javascript
iframe异步加载实现点击左边菜单加载右边内容实例讲解
2013/03/04 Javascript
js限制checkbox选中个数以限制六个为例
2014/07/15 Javascript
jquery插件validation实现验证身份证号等
2015/06/04 Javascript
jQuery实现的经典竖向伸缩菜单效果代码
2015/09/24 Javascript
客户端验证用户名和密码的方法详解
2016/06/16 Javascript
js 获取经纬度的实现方法
2016/06/20 Javascript
JS实现移动端按首字母检索城市列表附源码下载
2017/07/05 Javascript
Vue使用lodop实现打印小结
2019/07/06 Javascript
使用Bootstrap做一个朝代历史表
2019/12/10 Javascript
JS面向对象编程——ES6 中class的继承用法详解
2020/03/03 Javascript
vue fetch中的.then()的正确使用方法
2020/04/17 Javascript
VUE和Antv G6实现在线拓扑图编辑操作
2020/10/28 Javascript
import的本质解析
2017/10/30 Python
python读取中文txt文本的方法
2018/04/12 Python
Python依赖包整体迁移方法详解
2019/08/15 Python
python 实现图片上传接口开发 并生成可以访问的图片url
2019/12/18 Python
pandas分批读取大数据集教程
2020/06/06 Python
完美解决keras保存好的model不能成功加载问题
2020/06/11 Python
python爬虫使用正则爬取网站的实现
2020/08/03 Python
python re模块和正则表达式
2021/03/24 Python
人力资源管理毕业生自荐信
2013/11/21 职场文书
毕业自我评价
2014/02/05 职场文书
数学与统计学院学生个人职业生涯规划书
2014/02/10 职场文书
爱护公共设施的标语
2014/06/24 职场文书
电子商务优秀毕业生求职信
2014/07/11 职场文书
党的群众路线教育实践活动个人批评与自我批评
2014/10/16 职场文书
员工试用期转正自我评价
2015/03/10 职场文书
2015年银行柜员工作总结报告
2015/04/01 职场文书
2015年高三年级组工作总结
2015/07/21 职场文书
go语言中GOPATH GOROOT的作用和设置方式
2021/05/05 Golang
深入理解go slice结构
2021/09/15 Golang