python中兩種判斷和抓取網頁編碼的方法

在web開發的時候我們經常會遇到網頁抓取和分析，各種語言都可以完成這個功能。我喜歡用python實現，因為python提供了很多成熟的模組，可以很方便的實現網頁抓取。

但是在抓取過程中會遇到編碼的問題，那今天我們來看一下如何判斷網頁的編碼：

網上很多網頁的編碼格式都不一樣，大體上是GBK,GB2312，UTF-8等。

我們在擷取網頁的的資料後，先要對網頁的編碼進行判斷，才能把抓取的內容的編碼統一轉換為我們能夠處理的編碼，避免亂碼問題的出現。

下面介紹兩種判斷網頁編碼的方法：

方法一：使用urllib模組的getparam方法

1 import urllib

2 #autor：pythontab.com

3 fopen1 = urllib.urlopen('http://www.baidu.com').info()

4 print fopen1.getparam('charset')# baidu

執行結果為：

gbk

呵呵，其實，上面的擷取的編碼都是不正確的，我們可以自己開啟網頁查看原始碼，發現baidu的是gb2312。唉，這個方法確實有點坑爹啊。檢測不準確、檢測不到，它都佔了，所以很不靠譜，下面介紹一個靠譜的方法。

更多精彩內容：http://www.bianceng.cnhttp://www.bianceng.cn/Programming/extra/

方法二：使用chardet模組

#如果你的python沒有安裝chardet模組，你需要首先安裝一下chardet判斷編碼的模組哦 #author:pythontab.comimport chardet import urllib#先擷取網頁內容data1 = urllib.urlopen('http://www.baidu.com').read()#用chardet進行內容分析chardit1 = chardet.detect(data1)    print chardit1['encoding'] # baidu

執行結果為：

gb2312

這個結果都是正確的哦，各位可以去親自驗證一下~~

總結：第二個方法很準確，在網頁編碼分析的時候用python模組分析內容是最準確的，而流量分析meta頭資訊的方法是不太準確的。