使用 Python 和请求抓取网页时的字符集问题答案

【问题标题】：Charset issue when scraping webpage with Python and Requests使用 Python 和请求抓取网页时的字符集问题
【发布时间】：2013-03-11 05:21:11
【问题描述】：

尝试下载中文页面时（根据元标记显示为 gb2312）。我得到乱码，例如ê×××(ò) 在我运行下面的代码并在gEdit中打开gb2312格式的文件后应该是汉字的位置。

这里是相关页面的源代码：https://gist.github.com/anonymous/27663069655db7fd7a19 - 实际网站仅供教育机构使用。

我的代码：

r = requests.post("http://example.com", data=payload, cookies=cookies)
f = open('myfile.txt', 'w')
f.write(r.text.encode('gb2312',errors="ignore"))
f.close()

页面标题：

{'content-length': '6164', 'x-powered-by': 'ASP.NET', 'date': 'Mon, 11 Mar 2013 05:11:24 GMT', 'cache-control ': 'private', 'content-type': 'text/html', 'server': 'Microsoft-IIS/6.0'}

如果我尝试解码而不是编码，我会在 Python 中收到此错误：

f.write(r.text.decode('gb2312',errors="ignore"))
UnicodeEncodeError: 'ascii' codec can't encode characters in position 2017-2018: ordinal not in range(128)

【问题讨论】：

标签： python encoding character-encoding

【解决方案1】：

djc@enrai http $ python
Python 2.7.3 (default, Jun 18 2012, 09:39:59)
[GCC 4.5.3] on linux2
Type "help", "copyright", "credits" or "license" for more information.
>>> import urllib
>>> rsp = urllib.urlopen('https://gist.github.com/anonymous/27663069655db7fd7a19/raw/836a5c55d0f87a2fa5edcc9a14097c945452f520/chinese.html').read()
>>> import chardet
>>> chardet.detect(rsp)
{'confidence': 0.99, 'encoding': 'utf-8'}
>>> rsp.decode('utf-8')
u'\n<HTML><HEAD>(snip)</BODY></HTML>\n'

所以，我猜不要相信字符集标题？

【讨论】：