两种判断（抓取）网页编码的方法【python版】

kidys

　　在web开发的时候我们经常会遇到网页抓取和分析，各种语言都可以完成这个功能。我喜欢用python实现，因为python提供了很多成熟的模块，可以很方便的实现网页抓取。
但是在抓取过程中会遇到编码的问题，那今天我们来看一下如何判断网页的编码：
网上很多网页的编码格式都不一样，大体上是GBK,GB2312，UTF-8等。
我们在获取网页的的数据后，先要对网页的编码进行判断，才能把抓取的内容的编码统一转换为我们能够处理的编码，避免乱码问题的出现。
　　下面介绍两种判断网页编码的方法：
　　
方法一：使用urllib模块的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
　　
　　执行结果为：
　　gbk
　　呵呵，其实，上面的获取的编码都是不正确的，我们可以自己打开网页查看源代码，发现baidu的是gb2312。唉，这个方法确实有点坑爹啊。检测不准确、检测不到，它都占了，所以很不靠谱，下面介绍一个靠谱的方法。
　　
方法二：使用chardet模块



1 #如果你的python没有安装chardet模块，你需要首先安装一下chardet判断编码的模块哦
2 #author:pythontab.com
3 import chardet
4 import urllib
5 #先获取网页内容
6 data1 = urllib.urlopen('http://www.baidu.com').read()
7 #用chardet进行内容分析
8 chardit1 = chardet.detect(data1)
9
10 print chardit1['encoding'] # baidu
　　
　　执行结果为：
　　gb2312
　　这个结果都是正确的哦，各位可以去亲自验证一下~~
　　总结：第二个方法很准确，在网页编码分析的时候用python模块分析内容是最准确的，而使用分析meta头信息的方法是不太准确的。