本文共 856 字，大约阅读时间需要 2 分钟。

• 不同网站的编码并本完全相同，在爬虫应用中解析文本信息的时候需要考虑网页的编码方式， 否则获得的结果可能是乱码

可以从网页， 代码里的meta标签的charset属性中看到其编码方式， 倒如<meta charset="utf-8>指定了网页的编码为utl-8

用于解析文本的Python库主要有BeautifulSoup.BeautifulSoup使用编码自动检测字库(unicodeDammit、chardet等) 来识别输人文档的编码， 并将其转换成unicode编码：同时， BeautifulSoup将输出文档转换成urf-8编码、值得注意的是，编码自动检测功能会搜索整个文本来检测编码，时间成本高，检测结果也可能会错误， 因此， 如果预先知道文档编码， 可以通过在创建BeautifulSoup对象的时候没置from_encoding参数来减少检测错认率和检测时间

soup =BeautifulSoup(html_input,from_encoding="gbk")

此外，可以使用prettify（）或者encoding（）方法来指定输出文档的编码

soup=prettify("gb2312")

自动检测一个页面的编码方式，可以通过chardet包来进行，需要事先安装，使用如下：

import chardetimport requestsres=requests.get("http://fudan.edu.cn")cs=chardet.detect(res.content)#通过响应信息的content属性来判断页面的编码方式

chardet.detect的检测结果是一个字典，如下，字典的关键字包括’encoding‘和’confidence‘等，其中，前者的值就是页面编码，后者表示自动检测是对结果的确信度[0,1]

{
   'encoding':'utf-8','confidence':1.0,'language':''}

因此可以通过cs[‘encoding’];来得到页面编码

转载地址：http://ofmki.baihongyu.com/