python抓取并保存html页面时乱码问题的解决方法

本文实例讲述了python抓取并保存html页面时乱码问题的解决方法。分享给大家供大家参考，具体如下：

在用Python抓取html页面并保存的时候，经常出现抓取下来的网页内容是乱码的问题。出现该问题的原因一方面是自己的代码中编码设置有问题，另一方面是在编码设置正确的情况下，网页的实际编码和标示的编码不符合造成的。html页面标示的编码在这里：

复制代码 代码如下:

这里提供一种简单的办法解决：使用chardet判断网页的真实编码，同时从url请求返回的info判断标示编码。如果两种编码不同，则使用bs模块扩展为GB18030编码；如果相同则直接写入文件（这里设置系统默认编码为utf-8）。

    import urllib2
    import sys
    import bs4
    import chardet
    reload(sys)
    sys.setdefaultencoding('utf-8')
    def download(url):
      htmlfile = open('test.html','w')
      try:
        result = urllib2.urlopen(url)
        content = result.read()
        info = result.info()
        result.close()
      except Exception,e:
        print 'download error!!!'
        print e
      else:
        if content != None:
          charset1 = (chardet.detect(content))['encoding'] #real encoding type
          charset2 = info.getparam('charset') #declared encoding type
          print charset1,' ', charset2
          # case1: charset is not None.
          if charset1 != None and charset2 != None and charset1.lower() != charset2.lower():
            newcont = bs4.BeautifulSoup(content, from_encoding='GB18030')  #coding: GB18030
            for cont in newcont:
              htmlfile.write('%s\n'%cont)
          # case2: either charset is None, or charset is the same.
          else:
            #print sys.getdefaultencoding()
            htmlfile.write(content) #default coding: utf-8
      htmlfile.close()
    if __name__ == "__main__":
      url = 'http://www.jb51.net'
      download(url)

得到的test.html文件打开如下，可以看到使用的是UTF-8无BOM编码格式存储的，也就是我们设置的默认编码：

更多关于Python相关内容感兴趣的读者可查看本站专题：《Python编码操作技巧总结》、《Python图片操作技巧总结》、《Python数据结构与算法教程》、《Python Socket编程技巧总结》、《Python函数使用技巧总结》、《Python字符串操作技巧汇总》、《Python入门与进阶经典教程》及《Python文件与目录操作技巧汇总》

希望本文所述对大家Python程序设计有所帮助。