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(zhuǎn)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(tǒng)一說明。

網(wǎng)絡爬蟲出現(xiàn)亂碼的原因

源網(wǎng)頁編碼和爬取下來后的編碼格式不一致。
如源網(wǎng)頁為gbk編碼的字節(jié)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(wǎng)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(xiàn)亂碼; 此時再進行統(tǒng)一的字符編碼也就不會出現(xiàn)亂碼了

注意區(qū)分

• 源網(wǎng)編碼A、
• 程序直接使用的編碼B、
• 統(tǒng)一轉(zhuǎn)換字符的編碼C。
  

亂碼的解決方法

確定源網(wǎng)頁的編碼A,編碼A往往在網(wǎng)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(nèi)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

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

3.網(wǎng)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(wǎng)頁編碼時，依次判斷下這三部分數(shù)據(jù)即可，從前往后，優(yōu)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(wǎng)頁編碼智能識別工具來做

安裝： pip install chardet

官方網(wǎng)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(xiàn)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('http://www.dbjr.com.cn/').read() 
import chardet 
chardet.detect(rawdata) 
{'confidence': 0.99, 'encoding': 'GB2312'} 

chardet可以直接用detect函數(shù)來檢測所給字符的編碼。函數(shù)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(fā)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(tǒng)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(wǎng)頁html 
html = urllib2.urlopen('http://www.dbjr.com.cn/').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(tǒng)默認編碼的轉(zhuǎn)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：

# -*- coding:utf-8 -*- 
 
print '中文' 

像上面那樣直接輸入的字符串是按照代碼文件的編碼'utf-8'來處理的
如果用unicode編碼,以下方式：

s1 = u'中文' #u表示用unicode編碼方式儲存信息

decode是任何字符串具有的方法，將字符串轉(zhuǎn)換成unicode格式，參數(shù)指示源字符串的編碼格式。
encode也是任何字符串具有的方法，將字符串轉(zhuǎn)換成參數(shù)指定的格式。

更多內(nèi)容請參考專題《python爬取功能匯總》進行學習。

以上就是本文的全部內(nèi)容，希望對大家的學習有所幫助，也希望大家多多支持腳本之家。

最新評論