【转】Python获取网页是显示字体为乱码
在Python2.7中从网页获取的字符均是以按网页中的编码方式进行编码保存的,并不关心你实际上使用的是什么方式的编码。
(给啥要啥,不管能不能吸收,真够贪心的。)
------以下为转载内容--------
解决方法:
1.知道系统所使用的编码格式
2.把获取的页面先用系统格式解码,然后在编码为utf8格式
3.你的脚本中统一使用uft8编码
4.处理结束,把你的字符串先utf8解码,然后系统格式编码。
流程结束
# -*- coding: utf-8 -*- import sys import urllib2 # 获得系统默认编码格式 sysCharType = sys.getfilesystemencoding() # 获取页面 headers = {'User-Agent':'Mozilla/5.0 (Windows; U; Windows NT 6.1; en-US; rv:1.9.1.6) Gecko/20091201 Firefox/3.5.6'} req = urllib2.Request("http://www.baidu.com/", headers=headers) html = urllib2.urlopen(req).read() sysHtml = html.decode(sysCharType).encode('utf-8') s = '百度一下,你就知道' if html.find(s)!= -1: print '未经转化 字符匹配' else: print '未经转化 字符不匹配' if sysHtml.find(s)!= -1: print '经过转化 字符匹配' else: print '经过转化 字符不匹配'
另,看了kiki113的文章后,大有收获。kiki113的原始帖子地址。
str为字节数组,它仅仅是一个字节流,没有其它的含义。而unicode是一种编码格式。我们可以把具有unicode编码格式的字符串看做字节流,但是不能把随意一个字节流当做unicode字符串解释。这就是在进行字符编码转化中经常发生问题的直接原因。
'您好'的几种编码
编码方式 | 结果 |
GBK | \xc4\xfa\xba\xc3 |
unicode | \u60a8\u597d |
UTF-8 | \xe6\x82\xa8\xe5\xa5\xbd |
在python中,如果将一个str直接编码成另一种编码例如UTF-8,则系统先把str解码成unicode,然后把unicode编码格式转化为目 标格式(UTF-8),而从str到unicode过程中,系统认为str为默认编码格式,一般认为是ASCII,如果原始编码不是ASCII则会发生错 误。
下面来看几个例子
1.查看默认编码格式
>>> import sys >>> sys.getdefaultencoding() 'ascii' >>> s = '您好' >>> s '\xc4\xfa\xba\xc3' #这是GBK编码格式的字节流 >>> s1=u'您好' >>> s1 u'\xc4\xfa\xba\xc3'# 这个吗,看看对象类型。u的意义是声明它后面跟随的字符串是unicode格式编码,如果不是,则会出错。 <type 'str'> >>> type(s1) <type 'unicode'> #s1是unicode类型的,但是里面的内容是GBK格式的
转化到utf-8格式
>>> su = s.encode('utf-8') Traceback (most recent call last): File "<pyshell#9>", line 1, in <module> su = s.encode('utf-8') UnicodeDecodeError: 'ascii' codec can't decode byte 0xc4 in position 0: ordinal not in range(128) 直接转化发生错误 >>> su = s.decode('gbk').encode('utf-8') >>> su '\xe6\x82\xa8\xe5\xa5\xbd' >>> print su 鎮ㄥソ >>> sun = su.decode('utf-8') >>> sun u'\u60a8\u597d' >>> print sun 您好 >>> s.decode('gbk') u'\u60a8\u597d' <span>s1.decode('gbk')</span> Traceback (most recent call last): File "<pyshell#17>", line 1, in <module> s1.decode('gbk')UnicodeEncodeError: 'ascii' codec can't encode characters in position 0-3: ordinal not in range(128)
文件的编码格式和编码声明的作用 把'您好'分别保存为 ASCII格式文件,unicode格式文件,和UTF-8格式文件,使用16进制文件查看其查看文件内容。
可见,采用不同的编码格式,看起来一样的字符,其存储格式是不同的。编码声明就是显式的说明文件中的字符编码格式,并且告知系统,后面遇到的字符,全按照声明的格式去解释。例如脚本文件
s = '您好' print repr(s)
a.如果文件格式为utf-8,则str的值为:'\xe6\x82\xa8\xe5\xa5\xbd'
b.如果文件格式为ASCII,则str的值为:'\xc4\xfa\xba\xc3'
如果编码格式和声明不相符合呢?
文件为UTF-8格式保存,声明为GBK
# -*- coding: GBK -*- s = '您好' print repr(s) print s
运行结果
'\xe6\x82\xa8\xe5\xa5\xbd' 鎮ㄥソ
文件为ASCII,声明为UTF-8(我们知道文件会被保存为GBK格式)
'\xc4\xfa\xba\xc3' 您好
根据上面的讨论,这个好像是理所当然的。来点神奇的。
文件为UTF-8格式保存,声明为GBK
# -*- coding: GBK -*- s = u'您好' print repr(s) print s
运行结果为
u'\u93ae\u3125\u30bd' 鎮ㄥソ
为什么会这样?在运行ss = u'您好'的时候,整个过程可分为以下几步:
1) 获取'您好'的编码:由文件编码格式确定,为‘\xe6\x82\xa8\xe5\xa5\xbd’
2) 转成unicode编码的时候,根据文件的显示编码格式声明对'\xe6\x82\xa8\xe5\xa5\xbd'解码,不是用utf-8解码,而是用 声明编码处指定的编码GBK解码,得到字符串‘鎮ㄥソ’',这三个字的unicode编码就是u'/u93ae/u3125/u30bd',因 此 print repr(ss)输出的是/u93ae/u3125/u30bd。