Python爬虫之必备chardet库
一、chardet库的安装与介绍
玩儿过爬虫的朋友应该知道,在爬取不同的网页时,返回结果会出现乱码的情况。比如,在爬取某个中文网页的时候,有的页面使用GBK/GB2312,有的使用UTF8,如果你需要去爬一些页面,知道网页编码很重要的。
虽然HTML页面有charset标签,但是有些时候是不对的,那么chardet就能帮我们大忙了。使用 chardet 可以很方便的实现字符串/文件的编码检测。
如果你安装过Anaconda,那么可以直接使用chardet库。如果你只是安装了Python的话,就需要使用下面几行代码,完成chardet库的安装。
pip install chardet
接着,使用下面这行代码,导入chardet库。
import chardet
二、chardet库的使用
这个小节,我们分3部分讲解。
2.1 chardet.detect()函数
detect()函数接受一个参数,一个非unicode字符串。它返回一个字典,其中包含自动检测到的字符编码和从0到1的可信度级别。
- encoding:表示字符编码方式。
- confidence:表示可信度。
- language:语言。
光看这个解释,大多数朋友可能看不懂,下面我们就用例子来讲述这个函数。
2.2 使用该函数分别检测gbk、utf-8和日语
检测gbk编码的中文:
str1 = '大家好,我是黄同学'.encode('gbk') chardet.detect(str1) chardet.detect(str1)["encoding"]
结果如下:
检测的编码是GB2312,注意到GBK是GB2312的父集,两者是同一种编码,检测正确的概率是99%,language字段指出的语言是'Chinese'。
检测utf-8编码的中文:
str2 = '我有一个梦想'.encode('utf-8') chardet.detect(str2) chardet.detect(str2)["encoding"]
结果如下:
检测一段日文:
str3 = 'ありがとう'.encode('euc-jp') chardet.detect(str3) chardet.detect(str3)
结果如下:
2.3 如何在“爬虫”中使用chardet库呢?
我们以百度网页为例子,进行讲述。
这个网页的源代码,使用的是什么编码呢?我们看看源代码:
从图中可以看到,是utf-8字符编码。
如果不使用chardet库,获取网页源代码的时候,怎么指定字符编码呢?
import chardet import requests headers = {'User-Agent':'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/55.0.2883.87 Safari/537.36'} response = requests.get('https://www.baidu.com',headers=headers) response.encoding = "utf-8" response.text
结果如下:
你会发现:正确指定编码后,没有乱码。如果你将编码改为gbk,再看看结果。此时已经乱码。
如果使用chardet库,获取网页源代码的时候,可以轻松指定字符编码!
import chardet import requests headers = {'User-Agent':'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/55.0.2883.87 Safari/537.36'} response = requests.get('https://www.baidu.com',headers=headers) # 注意下面这行代码,是怎么写的? response.encoding = chardet.detect(response.content)['encoding'] response.text
结果如下:
编码不用我们自己查找,也不用猜,直接交给chardet库去猜测,正确率还高。
到此这篇关于Python爬虫之必备chardet库的文章就介绍到这了,更多相关Python chardet库内容请搜索我们以前的文章或继续浏览下面的相关文章希望大家以后多多支持我们!