Python BeautifulSoup中文亂碼問題的2種解決方案_python

解決方案一：

使用python的BeautifulSoup來抓取網頁然後輸出網頁標題,但是輸出的總是亂碼,找了好久找到解決辦法,下面分享給大家
首先是代碼

複製代碼 代碼如下:

from bs4 import BeautifulSoup
import urllib2

url = 'http://www.jb51.net/'
page = urllib2.urlopen(url)

soup = BeautifulSoup(page,from_encoding="utf8")
print soup.original_encoding
print (soup.title).encode('gb18030')

file = open("title.txt","w")
file.write(str(soup.title))
file.close()

 

for link in soup.find_all('a'):
    print link['href']

在剛開始測試的時候發現,雖然輸出是亂碼的,但是寫在檔案裡面卻是正常的.然後在網上找了找解決辦法才發現
print一個對象的邏輯：內部是調用對象的__str__得到對應的字串的，此處對應的是soup的__str__ 而針對於soup本身，其實已經是Unicode編碼，所以可以通過指定__str__輸出時的編碼為GBK，以使得此處正確顯示非亂碼的中文
而對於cmd：（中文的系統中）編碼為GBK,所以只要重新編碼為gb18030就可以正常輸出了
就是下面這行代碼

複製代碼 代碼如下:

print (soup.title).encode('gb18030')

解決方案二：

BeautifulSoup在解析utf-8編碼的網頁時，如果不指定fromEncoding或者將fromEncoding指定為utf-8會出現中文亂碼的現象。

解決此問題的方法是將Beautifulsoup建構函式中的fromEncoding參數的值指定為：gb18030

複製代碼 代碼如下:

import urllib2
from BeautifulSoup import BeautifulSoup

page = urllib2.urlopen('http://www.jb51.net/');
soup = BeautifulSoup(page,fromEncoding="gb18030")
print soup.originalEncoding
print soup.prettify()