标签:
用requests获取源代码时,如果是中文网页,就可能会出现乱码,下面我以中关村的网站为例:
import requests url = ‘http://desk.zol.com.cn/meinv/‘ r = requests.get(url) print r.text
执行上面这个脚本你会看到中文部分都变成乱码。
print r.encoding
通过上面的代码你会发现从requests获取到的编码是ISO-8859-1,而该网页的编码是gb2312,所以打印出来的编码就都变成乱码了,那么该如何解决这个问题呢?
其实只需将编码设为gb2312即可,完整的代码如下:
import requests url = ‘http://desk.zol.com.cn/meinv/‘ r = requests.get(url) r.encoding = ‘gb2312‘ print r.text
有些童鞋喜欢用content来获取源代码,如果直接将上面代码中的text改为content的话,你会发现获取到的源代码依旧是乱码,所以上面的代码不适用于content方式获取源代码。
通过content获取源代码的童鞋可以看这里:
import requests from lxml import etree url = ‘http://desk.zol.com.cn/meinv/‘ r = requests.get(url) code = r.content.decode(‘gb2312‘) print code
标签:
原文地址:http://www.cnblogs.com/yestreenstars/p/5485927.html