Python爬虫之必备chardet库-巨人网络通讯

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：