python urllib解析网页编码出错
来源:互联网 发布:天猫的网络教育真的吗 编辑:程序博客网 时间:2024/06/05 19:34
问题描述:在用urllib解析网页的时候,有时候的编码并不是网页中的编码(如下)。 <meta http-equiv="Content-Type" content="text/html; charset=gbk" />
解决过程
尝试检查编码
import chardetreq = urllib2.Request(url)data = urllib2.urlopen(req).read()det = chardet.detect(data)###{'confidence': 0.511502818949318, 'encoding': 'ISO-8859-2'}
我们可以看到编码是西欧的编码(可自己百度百科),不是我们想要的,接下来就是查各种资料。
答案
通过查资料,找到了一个解决方法,尝试成功,
data = urllib2.urlopen(req).read().decode('gbk','ignore').encode('utf-8')
原因
刚找到了问题所在,这是因为html中混入了非法字符,导致chardet.detect(data)辨认错误
直接decode(‘gbk’,’ignore’).encode(‘utf-8’)应该就可以解决
0 0
- python urllib解析网页编码出错
- python urllib爬取网页编码问题
- python urllib* 获取网页信息
- 使用Python中的urlparse、urllib抓取和解析网页(一)
- 利用Python抓取和解析网页(转载) HTMLParser 和 urllib
- 使用Python中的urlparse、urllib抓取和解析网页(一)
- 利用Python抓取和解析网页(转载) HTMLParser 和 urllib
- 【爬虫】用 urllib.request 解析网页
- Python网页抓取urllib,urllib2,httplib[1]
- Python网页抓取urllib,urllib2,httplib[2]
- Python网页抓取urllib,urllib2,httplib[3]
- Python网页抓取urllib,urllib2,httplib[1]
- Python网页抓取urllib,urllib2,httplib[2]
- Python网页抓取urllib,urllib2,httplib[3]
- python 网页抓取urllib,urllib2,httplib
- Python网页抓取urllib,urllib2,httplib[1]
- Python网页抓取urllib,urllib2,httplib[2]
- Python网页抓取urllib,urllib2,httplib[3]
- 前端根据后端返回的列表数据设变量自己排序
- 【CSS3】使用:not(:last-of-type)简化你的css代码
- javascript基础扎实了,但是很多逻辑性的功能还是不会写?
- php 运算符
- 字符串匹配的KMP算法
- python urllib解析网页编码出错
- Battery Charging Specification 1.2 中文详解
- JS常用正则表达式
- Memcached 原理分析
- Wormhole大盘
- 运行时类型识别
- HTTP常见错误代码
- 基础最短路六 POJ3259
- Memcache启动&存储原理&集群