• 微信公众号:美女很有趣。 工作之余,放松一下,关注即送10G+美女照片!

玩儿 “爬虫” 朋友最爱,都2021了,这个Python库你还不知道吗?

互联网 diligentman 1周前 (04-29) 7次浏览

1.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

2.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:
玩儿 “爬虫” 朋友最爱,都2021了,这个Python库你还不知道吗?
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:
玩儿 “爬虫” 朋友最爱,都2021了,这个Python库你还不知道吗?
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:
玩儿 “爬虫” 朋友最爱,都2021了,这个Python库你还不知道吗?

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。
玩儿 “爬虫” 朋友最爱,都2021了,这个Python库你还不知道吗?
这个网页的源代码,使用的是什么编码呢?我们看看源代码:
玩儿 “爬虫” 朋友最爱,都2021了,这个Python库你还不知道吗?
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:
玩儿 “爬虫” 朋友最爱,都2021了,这个Python库你还不知道吗?
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。
玩儿 “爬虫” 朋友最爱,都2021了,这个Python库你还不知道吗?
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:
玩儿 “爬虫” 朋友最爱,都2021了,这个Python库你还不知道吗?
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。


喜欢 (0)