python抓取中文网页乱码通用解决方法

注：转载自http://www.cnpythoner.com/

我们经常通过python做采集网页数据的时候，会碰到一些乱码问题，今天给大家分享一个解决网页乱码，尤其是中文网页的通用方法。

首页我们需要安装chardet模块，这个可以通过easy_install 或者pip来安装。

安装完以后我们在控制台上导入模块，如果正常就可以。

比如我们遇到的一些ISO-8859-2也是可以通过下面的方法解决的。

直接上代码吧：

import urllib2
import sys
import chardet

req = urllib2.Request("http://www.163.com/")##这里可以换成http://www.baidu.com,http://www.sohu.com
content = urllib2.urlopen(req).read()
typeEncode = sys.getfilesystemencoding()##系统默认编码
infoencode = chardet.detect(content).get('encoding','utf-8')##通过第3方模块来自动提取网页的编码
html = content.decode(infoencode,'ignore').encode(typeEncode)##先转换成unicode编码，然后转换系统编码输出
print html

通过上面的代码，相信能够解决你采集乱码的问题。

接着开始学习网络爬虫的深入点儿的东东：

以抓取韩寒博客文章目录来加以说明：http://blog.sina.com.cn/s/articlelist_1191258123_0_1.html，下面是截图

我用的是Chrome浏览器（firefox也行），打开上述网页，鼠标右击，选择审查元素，就会出现下面所示

首先我们来实现抓取第一篇文章“一次告别”的page的url

按住ctrl+f就会在上图左下角打开搜索栏，输入”一次告别“，就会自动定位到html源码所在位置，如上高亮显示的地方

接下来我们就是要把对应的url：http://blog.sina.com.cn/s/blog_4701280b0102ek51.html提取出来

详细实现代码如下：

 #coding:utf-8
 import urllib
 str0 = '<a title="一次告别" target="_blank" href="http://blog.sina.com.cn/s/blog_4701280b0102ek51.html">一次告别</a>'
 title = str0.find(r'<a title')
 print title
 href = str0.find(r'href=')
 print href
 html = str0.find(r'.html')
 print html
 url = str0[href + 6:html + 5]
 print url
 content = urllib.urlopen(url).read()
 #print content
 filename = url[-26:]
 print filename
 open(filename, 'w').write(content)

catchBlog.py

下面对代码进行解释：

首先利用find函数开始依次匹配查找'<a title','href=','.html',这样就可以找到关键字符所在的索引位置，然后就可以定位到http://blog.sina.com.cn/s/blog_4701280b0102ek51.html的位置[href+6:html+5]
最后利用urllib的相关函数打开并读取网页内容，写到content中

运行程序：

0
40
93
http://blog.sina.com.cn/s/blog_4701280b0102ek51.html
blog_4701280b0102ek51.html

于是在代码所在目录生成html文件blog_4701280b0102ek51.html

至此便抓取到第一篇文章的url及网页内容；上述操作主要学习了以下几个内容：1.分析博客文章列表特征2.提取字符串中的网络连接地址3.下载博文到本地

接下来继续深入：获取博文目录第一页所有文章的链接并将所有文章下载下来

 #coding:utf-8
 import urllib
 import time
 url = ['']*50
 con = urllib.urlopen('http://blog.sina.com.cn/s/articlelist_1191258123_0_1.html').read()
 i = 0
 title = con.find(r'<a title=')
 href = con.find(r'href=', title)
 html = con.find(r'.html', href)
 
 while title != -1 and href != -1 and html != -1 and i < 50:
     url[i] = con[href+6:html+5]
     print url[i]
     title = con.find(r'<a title=', html)
     href = con.find(r'href=', title)
     html = con.find(r'.html', href)
     i = i + 1
 else:
     print "Find end!"
 j = 0
 while j < 50:
     content = urllib.urlopen(url[j]).read()
     open(r'hanhan/' + url[j][-26:], 'w+').write(content)
     j = j + 1
     print 'downloading', url[j]
     time.sleep(15)
 else:
     print 'Download article finish!'
 #print 'con', con

catchBlog1.py