from:http://blog.csdn.net/chaowanghn/article/details/54889835
解决Requests中文乱码
都在推荐用Requests库,而不是Urllib,但是读取网页的时候中文会出现乱码。
分析:
r = requests.get(“http://www.baidu.com“)
**r.text返回的是Unicode型的数据。
使用r.content返回的是bytes型的数据。
也就是说,如果你想取文本,可以通过r.text。
如果想取图片,文件,则可以通过r.content。**
获取一个网页的内容
方法1:使用r.content,得到的是bytes型,再转为str
url='http://music.baidu.com' r = requests.get(url) html=r.content html_doc=str(html,'utf-8') #html_doc=html.decode("utf-8","ignore") print(html_doc)
方法2:使用r.text
Requests 会自动解码来自服务器的内容。大多数 unicode 字符集都能被无缝地解码。请求发出后,Requests 会基于 HTTP 头部对响应的编码作出有根据的推测。当你访问 r.text 之时,Requests 会使用其推测的文本编码。你可以找出 Requests 使用了什么编码,并且能够使用 r.encoding 属性来改变它.
但是Requests库的自身编码为: r.encoding = ‘ISO-8859-1’
可以 r.encoding 修改编码
url='http://music.baidu.com' r=requests.get(url) r.encoding='utf-8' print(r.text)
获取一个网页的内容后存储到本地
方法1:r.content为bytes型,则open时需要open(filename,”wb”)
r=requests.get("music.baidu.com") html=r.content with open('test5.html','wb') as f: f.write(html)
方法2:r.content为bytes型,转为str后存储
r = requests.get("http://www.baidu.com") html=r.content html_doc=str(html,'utf-8') #html_doc=html.decode("utf-8","ignore") # print(html_doc) with open('test5.html','w',encoding="utf-8") as f: f.write(html_doc)
方法3:r.text为str,可以直接存储
r=requests.get("http://www.baidu.com") r.encoding='utf-8' html=r.text with open('test6.html','w',encoding="utf-8") as f: f.write(html)
Requests+lxml
# -*-coding:utf8-*- import requests from lxml import etree url="http://music.baidu.com" r=requests.get(url) r.encoding="utf-8" html=r.text # print(html) selector = etree.HTML(html) title=selector.xpath('//title/text()') print (title[0])
结果为:百度音乐-听到极致
终极解决方法
以上的方法虽然不会出现乱码,但是保存下来的网页,图片不显示,只显示文本。而且打开速度慢,找到了一篇博客,提出了一个终极方法,非常棒。
来自博客
http://blog.chinaunix.net/uid-13869856-id-5747417.html的解决方案:
# -*-coding:utf8-*- import requests req = requests.get("http://news.sina.com.cn/") if req.encoding == 'ISO-8859-1': encodings = requests.utils.get_encodings_from_content(req.text) if encodings: encoding = encodings[0] else: encoding = req.apparent_encoding # encode_content = req.content.decode(encoding, 'replace').encode('utf-8', 'replace') global encode_content encode_content = req.content.decode(encoding, 'replace') #如果设置为replace,则会用?取代非法字符; print(encode_content) with open('test.html','w',encoding='utf-8') as f: f.write(encode_content)