• 技术文章 >Python技术 >Python基础教程

    python urllib2中文乱码怎么解决

    爱喝马黛茶的安东尼爱喝马黛茶的安东尼2019-09-18 15:19:39原创2668

    很多乱码问题是编码造成的,一般对于中文网站基本是UTF-8,GB2312,可以GB18030通吃。

    另一个造成乱码的原因是压缩格式,很多规模较大的网站都是以gzip的压缩格式输出页面的,所以在用BS解析之前需要先判断该网页是否经过压缩,如果经过压缩则先进行解压操作。

    相关推荐:《Python教程

    代码:

    1

    2

    3

    4

    5

    6

    # coding: u8

    import urllib2

    url = "http://sports.sina.com.cn/g/premierleague/index.shtml"

    response = urllib2.urlopen(url)

    html = response.read()

    print html

    输出:

    1

    2

    3

    4

    5

    6

    7

    8

    9

    10

    11

    12

    13

    14

    15

    16

    17

    18

    19

    20

    21

    22

    23

    wױ83’͠L/J

    .uVխ[w5;:S煝{7l!Zp8′-y϶=ePUsł;__Zj

    ::]K챵

    eYڕkV%IBUVY”*’)ڤS.

    JT>”TTZk+!x*)ld2I,kUUҭ/kXjjkHI U0n2}jUSݲ”>!pj^[LJg’o^=Nqȕ7n|57yy’\ul

    j=9T,g/t0ݕ7’^o|v}>8=7흯!tpٹˏgFS?zd~`MuC%U2\ f߉Vqߍ7~2~ɓlE=}M}Xwo}us’>?*zpS:7Oݚ~чb=

    HK!sعinQR}@TsY|,#b\d+#yM@qaRTPVNw

    ?[((tGP,A$O/EXP)oNgA\`Z

    4

    eL7ȓVn+

    ɄeR fT`&WՂbV

    f{

    j_p@-@[Ib_ͷCZ’!4O1C,کhy b0W(ժZ˨V5-ټX)5{EkvXÝN (PPUCkϫ? j(

    V3{Z!LOOP+LP%WPL!\=! @XD8ׯjpT,W+#we~م {CBo@_Y+ijp;^,=(h :NxH|Ar]-|Bkq<

    ڻ+}.ܹlt.)cptRXJ4CJЃBv@BXdP&6dógsR^=/fb@s#m} uZh.V80_)$.1W

    hS*zQJÑ|ă{nIPa±a#نL<SA

    %^yg2*\fxJhQh_FBK(c%cBKwaHeRB 8w6<ϾK @.k*[k|^_¹BV;,pu]24Y

    BwԢCm3`>5#FzFG-%Ũ

    W0A{TȪ#u4@e24߈*:*6Ђt&XGe@dc%cເh|΀y$HhGv3s$(Y)sYMvE@lC(.tkب6K(E;Op1?:

    D6wОƘfO&zqZ3Z>0MC{ڟi#.

    tPڻu-u-t38X Wt2h!.>9;TVKrj_$yABZȊ6.ƭI\yK:¬

    s#lhsxzb=INse/FUad4H3lnHo0T^”j*]yfrMY!׋-#I(YVaΡ@1kE뗴2=qRtۈh@y@(GX)I-Z$lNX,vg^~cE

    /虬&jz=АUdY__\FGA} …

    首先想到编码问题

    1

    isinstance(html, str) == True

    并且页面的编码确定为 GBK,那么

    1

    html.decode('gbk').encode('utf-8')

    就可以将机器码以 gbk 解码,再重新以 utf-8 编码,就可以得到正确的文本。可是收到这样的提示:

    1

    UnicodeDecodeError: ‘gbk’ codec can’t decode bytes in position 1-2: illegal multibyte sequence

    可能是以 gzip 压缩格式输出造成的乱码,于是尝试通过 zlib 解压缩。

    1

    2

    import zlib

    html = zlib.decompress(html)

    可是却得到下面的错误:

    1

    zlib.error: Error -3 while decompressing data: incorrect header check

    无奈,只得用 gzip 库和 StringIO 库绕路解决。

    1

    2

    3

    import gzip, StringIO

    html = gzip.GzipFile(fileobj=StringIO.StringIO(html), mode="r")

    html = html.read().decode('gbk').encode('utf-8’)

    终于得到了正确的内容和正确的编码。

    问题到这里就解决了,可是对于不能直接使用简洁的 zlib 库表示很不甘心,毕竟根据 python 的文档 gzip 库也是调用 zlib 来解压的,为什么不直接用 zlib 呢?最终代码如下:

    1

    2

    3

    4

    5

    6

    7

    8

    request = urllib2.Request(url)

    request.add_header('Accept-encoding', 'gzip')

    opener = urllib2.build_opener()

    response = opener.open(request)html = response.read()

    gzipped = response.headers.get('Content-Encoding')

    if gzipped:

        html = zlib.decompress(html, 16+zlib.MAX_WBITS)

    print html

    代码里在 request header 中默认加入了接受 gzip,服务器会优先返回 gzip 后的页面,这样极大减少数据流的大小,绝大多数服务器都是支持 gzip 的。之后对于意外情况,也加入了对 response header 的判断,对于不包含“Content-Encoding”的数据流就不会去对其解压缩。

    专题推荐:python urllib2 中文乱码
    上一篇:python3.5如何安装 下一篇:python如何判断变量是否是字符串

    相关文章推荐

    • python如何解决中文乱码问题• python command乱码怎么解决• python 获取网页乱码怎么解决• python3如何解决中文乱码

    全部评论我要评论

    © 2021 Python学习网 苏ICP备2021003149号-1

  • 取消发布评论
  • 

    Python学习网