两种判断（抓取）网页编码的方法【python版】

在web开发的时候咱们常常会遇到网页抓取和分析，各类语言均可以完成这个功能。我喜欢用python实现，由于python提供了不少成熟的模块，能够很方便的实现网页抓取。
可是在抓取过程当中会遇到编码的问题，那今天咱们来看一下如何判断网页的编码：
网上不少网页的编码格式都不同，大致上是GBK,GB2312，UTF-8等。
咱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咱们可以处理的编码，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，咱们能够本身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。检测不许确、检测不到，它都占了，因此很不靠谱，下面介绍一个靠谱的方法。

方法二：使用chardet模块

 1 #若是你的python没有安装chardet模块，你须要首先安装一下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，各位能够去亲自验证一下~~

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。