详解Python解决抓取内容乱码问题（decode和encode解码）

Python  /  管理员 发布于 7年前   175

一、乱码问题描述

经常在爬虫或者一些操作的时候，经常会出现中文乱码等问题，如下

原因是源网页编码和爬取下来后的编码格式不一致

 二、利用encode与decode解决乱码问题

字符串在Python内部的表示是unicode编码，在做编码转换时，通常需要以unicode作为中间编码，即先将其他编码的字符串解码（decode）成unicode，再从unicode编码（encode）成另一种编码。

decode的作用是将其他编码的字符串转换成unicode编码，如str1.decode(‘gb2312')，表示将gb2312编码的字符串str1转换成unicode编码。

encode的作用是将unicode编码转换成其他编码的字符串，如str2.encode(‘utf-8')，表示将unicode编码的字符串str2转换成utf-8编码。

decode中写的就是想抓取的网页的编码，encode即自己想设置的编码

代码如下

#!/usr/bin/env python# -*- coding:utf-8 -*-# author: xulinjie time:2017/10/22import urllib2request=urllib2.Request(r'http://nhxy.zjxu.edu.cn/')RES=urllib2.urlopen(request).read()RES = RES.decode('gb2312').encode('utf-8')//解决乱码wfile=open(r'./1.html',r'wb')wfile.write(RES)wfile.close()print RES

或者

#!/usr/bin/env python# -*- coding:utf-8 -*-# author: xulinjie time:2017/10/22import urllib2request=urllib2.Request(r'http://nhxy.zjxu.edu.cn/')RES=urllib2.urlopen(request).read()RES=RES.decode('gb2312')RES=RES.encode('utf-8')wfile=open(r'./1.html',r'wb')wfile.write(RES)wfile.close()print RES

但是还要注意：
如果一个字符串已经是unicode了，再进行解码则将出错，因此通常要对其编码方式是否为unicode进行判断

isinstance(s, unicode)#用来判断是否为unicode

用非unicode编码形式的str来encode会报错

所以最终可靠代码：

#!/usr/bin/env python# -*- coding:utf-8 -*-# author: xulinjie time:2017/10/22import urllib2request=urllib2.Request(r'http://nhxy.zjxu.edu.cn/')RES=urllib2.urlopen(request).read()if isinstance(RES, unicode): RES=RES.encode('utf-8')else: RES=RES.decode('gb2312').encode('utf-8')wfile=open(r'./1.html',r'wb')wfile.write(RES)wfile.close()print RES

三、如何找到需要抓取的目标网页的编码格式

1、查看网页源代码

如果源代码中没有charset编码格式显示可以用下面的方法

2、检查元素，查看Response Headers

以上所述是小编给大家介绍的Python解决抓取内容乱码问题（decode和encode解码）详解整合，希望对大家有所帮助，如果大家有任何疑问请给我留言，小编会及时回复大家的。在此也非常感谢大家对站的支持！