python第三方库chardet字符编码检测和乱码处理

在抓取网页的时候，经常会发现网页的东西能够正常的显示，但是用python抓下来以后，打印出来或者保存到数据库的时候出现了乱码。这是因为网页中的编码形式并不是python所默认的utf8编码，这时候如果能知道网页中具体的编码，在进行相应的转换就能得到正常的字符编码。

在探测网页编码，我们可以使用chardet 。具体的用法如下：

安装

github的地址在：

https://github.com/chardet/chardet

安装方式：

pip install chardet

探测编码形式

在抓取数据以后，直接使用 chardet

import urllib
rawdata = urllib.urlopen('http://tech.163.com/special/00097UHL/tech_datalist.js').read()
import chardet
print chardet.detect(rawdata)

结果如下：

{'confidence': 0.99, 'language': 'Chinese', 'encoding': 'GB2312'}

转码

通过 chardet 探测出，网页的字符编码为GB2312编码，通过unicode转化为utf8编码：

str_body = unicode(rawdata, "gb2312").encode("utf8")

把字符编码转换为utf8，能够避免很多不必要的麻烦。

这篇好文章是转载于：学新通技术网