關(guān)于爬蟲亂碼有很多各式各樣的問題，這里不僅是中文亂碼，編碼轉(zhuǎn)換、還包括一些如日文、韓文 、俄文、藏文之類的亂碼處理，因?yàn)榻鉀Q方式是一致的，故在此統(tǒng)一說明。

網(wǎng)絡(luò)爬蟲出現(xiàn)亂碼的原因

源網(wǎng)頁編碼和爬取下來后的編碼格式不一致。
如源網(wǎng)頁為gbk編碼的字節(jié)流，而我們抓取下后程序直接使用utf-8進(jìn)行編碼并輸出到存儲文件中，這必然會引起亂碼 即當(dāng)源網(wǎng)頁編碼和抓取下來后程序直接使用處理編碼一致時(shí)，則不會出現(xiàn)亂碼; 此時(shí)再進(jìn)行統(tǒng)一的字符編碼也就不會出現(xiàn)亂碼了

注意區(qū)分

亂碼的解決方法

確定源網(wǎng)頁的編碼A,編碼A往往在網(wǎng)頁中的三個(gè)位置

1.http header的Content-Type
獲取服務(wù)器 header 的站點(diǎn)可以通過它來告知瀏覽器一些頁面內(nèi)容的相關(guān)信息。 Content-Type 這一條目的寫法就是 "text/html; charset=utf-8"。

2.meta charset

<meta http-equiv="Content-Type" content="text/html; charset=utf-8" /> 

3.網(wǎng)頁頭中Document定義

<script type="text/javascript"> if(document.charset){  alert(document.charset+"!!!!");  document.charset = 'GBK';  alert(document.charset); } else if(document.characterSet){  alert(document.characterSet+"????");  document.characterSet = 'GBK';  alert(document.characterSet); } 

在獲取源網(wǎng)頁編碼時(shí)，依次判斷下這三部分?jǐn)?shù)據(jù)即可，從前往后，優(yōu)先級亦是如此。
以上三者中均沒有編碼信息 一般采用chardet等第三方網(wǎng)頁編碼智能識別工具來做

安裝： pip install chardet

官方網(wǎng)站： http://chardet.readthedocs.io/en/latest/usage.html

Python chardet 字符編碼判斷

使用 chardet 可以很方便的實(shí)現(xiàn)字符串/文件的編碼檢測 雖然HTML頁面有charset標(biāo)簽，但是有些時(shí)候是不對的。那么chardet就能幫我們大忙了。
chardet實(shí)例

import urllib rawdata = urllib.urlopen('//www.jb51.net/').read() import chardet chardet.detect(rawdata) {'confidence': 0.99, 'encoding': 'GB2312'} 

chardet可以直接用detect函數(shù)來檢測所給字符的編碼。函數(shù)返回值為字典，有2個(gè)元素，一個(gè)是檢測的可信度，另外一個(gè)就是檢測到的編碼。

在開發(fā)自用爬蟲過程中如何處理漢字編碼?
下面所說的都是針對python2.7,如果不加處理，采集到的都是亂碼，解決的方法是將html處理成統(tǒng)一的utf-8編碼 遇到windows-1252編碼，屬于chardet編碼識別訓(xùn)練未完成

import chardet a='abc' type(a) str chardet.detect(a) {'confidence': 1.0, 'encoding': 'ascii'}   a ="我" chardet.detect(a) {'confidence': 0.73, 'encoding': 'windows-1252'} a.decode('windows-1252') u'/xe6/u02c6/u2018' chardet.detect(a.decode('windows-1252').encode('utf-8')) type(a.decode('windows-1252')) unicode type(a.decode('windows-1252').encode('utf-8')) str chardet.detect(a.decode('windows-1252').encode('utf-8')) {'confidence': 0.87625, 'encoding': 'utf-8'}   a ="我是中國人" type(a) str {'confidence': 0.9690625, 'encoding': 'utf-8'} chardet.detect(a) # -*- coding:utf-8 -*- import chardet import urllib2 #抓取網(wǎng)頁html html = urllib2.urlopen('//www.jb51.net/').read() print html mychar=chardet.detect(html) print mychar bianma=mychar['encoding'] if bianma == 'utf-8' or bianma == 'UTF-8':  html=html.decode('utf-8','ignore').encode('utf-8') else:  html =html.decode('gb2312','ignore').encode('utf-8') print html print chardet.detect(html)