文章 专题 AI工具 学习 下载 问答 源码 最近更新
PHP
会员中心 讲师中心 微信公众号
首页 > 后端开发 > Python教程 > 正文

python处理抓取中文编码和判断编码

高洛峰
发布： 2016-10-19 11:45:20
原创
1479人浏览过

在开发自用爬虫过程中，有的网页是utf-8，有的是gb2312,有的是gbk，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

版本python2.7

#coding:utf-8
import chardet
#抓取网页html
line = "http://www.pythontab.com"
html_1 = urllib2.urlopen(line,timeout=120).read()
encoding_dict = chardet.detect(html_1)
print encoding
web_encoding = encoding_dict['encoding']
#处理，整个html就不会是乱码。
if web_encoding == 'utf-8' or web_encoding == 'UTF-8':
html = html_1
else :
html = html_1.decode('gbk','ignore').encode('utf-8')
登录后复制

   

豆包AI编程
豆包AI编程

智能代码生成与优化，高效提升开发速度与质量！

下载
来源：php中文网
收藏 点赞
上一篇：Python- yield 用法详解 下一篇：Python中的转义字符
本文内容由网友自发贡献，版权归原作者所有，本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容，请联系admin@php.cn
作者最新文章
最新问题
Python中如何遍历目录下的文件？遍历时如何过滤特定文件类型？ 在Python中遍历目录并过滤特定文件类型可使用os.walk()结合字符串操作或fnmatch模块，1.使用os.walk()递归遍历目录获取文件名；2.通过endswith()或fnmatch.fnmatch()筛选目标文件类型；3.用os.path.join()组合完整路径；4.处理权限错误可用try...except捕获OSError；5.避免遍历符号链接需设置followlinks=False；6.使用生成器实现延迟加载提升效率；7.通过concurrent.futures模块结合多线
2025-06-18 23:45:02
502
Python里bisect模块 二分查找算法bisect的有序序列操作 bisect模块在Python中用于高效处理有序列表，其核心功能是通过二分查找算法快速定位插入位置。1.bisect.bisect()或bisect_right()返回元素应插入的索引以维持顺序，相同元素插至其右侧；2.bisect_left()则将相同元素插至左侧；3.bisect.insort()可直接将元素插入合适位置，避免重复计算；4.使用前需确保列表已排序，否则结果不可预测；5.适用于动态维护有序列表、快速查找边界值及控制重复插入等场景，从而提升数据处理效率。
2025-06-12 21:45:08
869
Python里MRO方法解析顺序 多重继承中方法查找顺序MRO详解 MRO是Python中方法解析顺序的机制，用于确定多重继承下方法的查找顺序。当类继承自多个父类时，Python通过C3线性化算法生成MRO，确保每个类只出现一次且子类总在父类前面，同时保持父类的相对顺序不变。例如，类D(B,C)的MRO为D→B→C→A→object。C3算法的核心规则包括：1.子类出现在父类前面；2.父类顺序从左到右保持不变；3.各类MRO需一致合并。MRO常见于调用super()、设计Mixin类及调试继承问题时。可通过ClassName.__mro__属性或mro()方法查
2025-06-12 09:57:04
553
Python的BeautifulSoup库怎么使用？ BeautifulSoup库在Python中用于解析HTML和XML文件。它提供了灵活的解析功能和人性化的数据操作方式。使用步骤包括：1)创建BeautifulSoup对象并选择解析器，如html.parser或lxml；2)使用find_all()或select()方法搜索和提取数据，如提取所有标签内容或使用CSS选择器查找特定元素；3)注意常见陷阱和性能优化，如检查HTML源码和考虑使用更高效的解析器。总之，BeautifulSoup是一个强大且易用的工具，适用于各种解析任务。
2025-06-11 08:30:02
827
Python网页抓取 Python动态页面爬取方案 动态页面爬取的难点在于JavaScript加载内容无法被传统工具抓取，解决方法有三：一、使用Selenium模拟真实浏览器操作，适合交互复杂但资源消耗大；二、采用Playwright或Puppeteer实现更轻量高效的自动化，支持异步与多浏览器；三、直接分析接口获取数据，效率高但需较高逆向分析能力。不同场景可根据需求选择合适方案。
2025-06-10 22:42:02
554
Python中traceback模块 异常堆栈追踪traceback的调试技巧 要高效使用Python的traceback模块进行调试，可采取以下技巧：1.手动获取异常信息时，用traceback.print_exc()直接打印或traceback.format_exc()获取字符串；2.通过limit参数控制显示堆栈层数，如traceback.print_exc(limit=2)显示最后两层；3.结合logging模块记录异常到日志文件，使用logging.error()或logging.exception()自动带出traceback；4.在交互式环境中自定义trace
2025-06-10 22:33:03
862
Python编程中sklearn代表什么 scikit-learn库在Python中的缩写sklearn解析 scikit-learn是基于Python的机器学习库，提供监督与非监督学习算法、模型选择、评估指标和预处理方法。1.它构建于NumPy和SciPy之上，接口简洁适合各类用户；2.名称中“sci”来自SciPy，“kit”表示工具包；3.实际使用时通常缩写为sklearn因为模块名即为sklearn；4.主要模块包括model_selection、preprocessing、linear_model、metrics和cluster等；5.使用流程一般为导入模型、拟合数据、预测结果；6.安装可通过
2025-06-10 22:00:04
292
python中文叫啥 python中文名称介绍 Python的中文名称是“蟒蛇”，源于英国喜剧团体MontyPython。1.这个名字易记且反映了Python简洁、优雅且功能强大的设计理念。2.作者分享了初学Python的感受，指出其适合初学者且有趣。3.Python广泛应用于网页开发、数据科学、人工智能等领域。4.提供了一个简单的代码示例帮助新手快速上手。5.作者强调了Python的缩进规则和丰富的库、框架，提高开发效率。6.Python不只是一种编程工具，更是一种简洁、优雅的思维方式。
2025-06-10 21:51:01
366
%s在python中含义 python格式化字符串占位符解析 %s在Python中是格式化字符串的占位符，用于插入字符串值。1）基本用法是将变量值替换%s，如"Hello,%s!"%name。2）可以处理任何类型的数据，因为Python会调用对象的__str__方法。3）对于多个值，可使用元组，如"Mynameis%sandIam%syearsold."%(name,age)。4）尽管在现代编程中.format()和f-strings更常用，%s在老项目和某些性能需求中仍有优势。
2025-06-10 21:18:02
800
Python图像处理技术 Python图像识别基础操作指南 Python实现图像识别的关键在于掌握基础步骤并进行有效预处理。首先安装Pillow、OpenCV和Pytesseract库，并配置TesseractOCR引擎；其次使用Pillow或OpenCV进行图像预处理，包括转灰度图、二值化和去噪以提高识别精度；接着用Pytesseract进行文字识别，注意优化参数如指定语言包和识别模式；最后可结合OpenCV进一步增强图像质量，从而提升整体识别效果。
2025-06-10 19:39:01
282
相关专题
更多>
热门推荐
开源免费商场系统广告
热门教程
更多>
相关推荐
热门推荐
最新课程
最新下载
更多>
网站特效
网站源码
网站素材
前端模板
关于我们 免责申明 意见反馈 讲师合作 广告合作 最新更新
php中文网：公益在线php培训，帮助PHP学习者快速成长！
关注服务号 技术交流群
app下载
PHP中文网订阅号
每天精选资源文章推送
PHP中文网APP
随时随地碎片化学习
PHP中文网抖音号
发现有趣的

Copyright 2014-2025 https://www.php.cn/ All Rights Reserved | php.cn | 湘ICP备2023035733号

  • PHP学习

  • 技术支持

  • 返回顶部