【python】抓取网页gb2312/gbk编码乱码

做了个网络爬虫抓取网页，但如果网页是gbk/gb2312编码，则会出现乱码问题，如下：
取得文字后，直接打印，输出结果str如下：

¹óÖÝÈËÊÂ¿¼ÊÔÐÅÏ¢Íø_¹óÖÝÈËÊÂ¿¼ÊÔÍø_¹óÖÝ¹«ÎñÔ±¿¼ÊÔÍø_¹óÖÝÖÐ¹«

这个问题困扰我好长时间，baidu,google了一番也没有找到完全可行的方法，继续瞎折腾，最后居然搞出来了！编码转换来转换去的，还是得不到解决。特意把问题总结下来，分享给大家，互相学习！（有时问题不复杂很容易解决，如果没有找到问题的突破口的话，那么通向解决问题的路程就很遥远了）总之，遇到问题时，多选择几种方法试试，总有一种方法可以解决的。

1.改变网页源代码的编码格式(重点)

# -*- coding:utf8 -*-

import urllib2

req = urllib2.Request("http://www.baidu.com/")
res = urllib2.urlopen(req)
html = res.read()
res.close()
html = unicode(html, "gb2312").encode("utf8")  #gb2312--->utf-8
print html

2.python抓取网页时字符集转换问题处理方案

有时候我们采集网页，处理完毕后将字符串保存到文件或者写入数据库，这时候需要制定字符串的编码，如果采集网页的编码是gb2312，而我们的数据库是utf-8的，这样不做任何处理直接插入数据库可能会乱码(没测试过，不知道数据库会不会自动转码)，我们需要手动将gb2312转换成utf-8。
首先我们知道，python里的字符默认是ascii码，英文当然没问题啦，碰到中文的时候立马给跪。
不知道你还记不记得，python里打印中文汉字的时候需要在字符串前面加 u：
print u”来搞基吗？”
这样子中文才能显示，这里面的u的作用就是将后面的字符串转换为unicode码，这样中文才能得到正确的显示。
这里与之相关的有一个unicode()函数，用法如下

str="来搞基"
str=unicode(str,"utf-8")
print str

与u的区别是，这里用unicode将str转换为unicode编码，需要正确指定第二个参数，这里的utf-8是我test.py脚本自身的文件字符集，默认的可能是ansi。
unicode这是一个关键，下面继续
我们开始抓取百度首页，注意，游客访问百度首页，查看网页源代码，它的charset=gb2312。

import urllib2

def main():
  f=urllib2.urlopen("http://www.baidu.com")
  str=f.read()
  str=unicode(str,"gb2312")
  fp=open("baidu.html","w")
  fp.write(str.encode("utf-8"))
  fp.close()

if name == 'main' :
  main()

解释：

我们首先用urllib2.urlopen()方法将百度首页抓取到，f是句柄，用str=f.read()将所有源代码读入str中
搞清楚,str里面就是我们抓取的html源代码，由于网页默认的字符集是gb2312，所以如果我们直接保存到文件中，文件编码将是ansi。
对于大部分人来说，其实这就足够了，但是有时候我就想把gb2312转换成utf-8的该怎么办呢？
首先：
str=unicode(str,"gb2312")#这里的gb2312就是str的实际字符集，我们现在将其转换成unicode
然后：
str=str.encode("utf-8")#将unicode的字符串重新编码成utf-8
最后：
将str写入到文件中，打开文件看一下编码属性，发现是utf-8的了，把

总结：

我们回顾一下，如果需要将字符串按照指定的字符集保存，有以下几个步骤：
1：用unicode(str,”原来的编码”)将str解码成unicode字符串
2：将unicode字符串str 使用 str.encode(“指定的字符集”) 转换成你指定的字符集
3：将str保存文件，或者写入数据库等操作，当然，编码你已经指定了，不是吗？

3.用lxml解析html

用lxml.etree做网络爬虫抓取网页，但如果网页是gbk/gb2312编码，则会出现乱码问题，如下：
取得文字后，直接打印，输出结果v如下：
¹óÖÝÈËÊÂ¿¼ÊÔÐÅÏ¢Íø¹óÖÝÈËÊÂ¿¼ÊÔÍø¹óÖÝ¹«ÎñÔ±¿¼ÊÔÍø_¹óÖÝÖÐ¹

这个v的类型又是

response.encoding = 'utf-8'
page = etree.HTML(response.content)
nodes_title = page.xpath("//title//text()")

这样打印出来的nodes_title[0]就为正常的中文显示了。

特别注意的是，response.text很容易出现编码问题的，以后用response.content。

扫描二维码关注公众号，回复： 2888244 查看本文章