Python抓取中文网页出现乱码
转自http://www.oschina.net/code/snippet_1448389_33526
原来是有的时候网站将网页用gzip压缩了
1 """ 2 迪艾姆公司python远程培训班 黄哥所写 3 python远程视频培训班 周末班 4 迪艾姆python培训周末班北京3月8、上海3月9日上课欢迎报名参加。 5 http://www.010dm.com/xflml/3089.html 6 回答贴吧上一个同学用python3访问sina首页中文的处理 7 8 如果只用普通的 9 import urllib.request 10 html = urllib.request.urlopen("http://www.sina.com").read() 11 print(html.decode('gbk')) 12 13 出现下面的错误 14 builtins.UnicodeDecodeError: 'gbk' codec can't decode byte 0x8b in position 1: illegal multibyte sequence 15 16 怎么办？原来是有的网站将网页用gzip压缩了 。 17 请看下面的代码 18 19 建议大家用python2 20 import urllib2 21 from StringIO import StringIO 22 import gzip 23 24 request = urllib2.Request('http://www.sina.com') 25 request.add_header('Accept-encoding', 'gzip') 26 response = urllib2.urlopen(request) 27 if response.info().get('Content-Encoding') == 'gzip': 28 buf = StringIO( response.read()) 29 f = gzip.GzipFile(fileobj=buf) 30 data = f.read() 31 print data.decode("GBK").encode('utf-8') 32 """ 33 34 import io 35 import urllib.request as r 36 import gzip 37 req = r.Request("http://www.sina.com", headers={"User-Agent": "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_9_1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/31.0.1650.63 Safari/537.36", "Accept-Encoding": "gzip"}) 38 bs = r.urlopen(req).read() 39 bi = io.BytesIO(bs) 40 gf = gzip.GzipFile(fileobj=bi, mode="rb") 41 print(gf.read().decode("gbk"))
