尝试下载中文页面时(根据元标记似乎是 gb2312)。我得到乱码，例如ê×××(ò) 是我运行下面的代码并在 gEdit 中打开 gb2312 格式的文件后，汉字应该在的位置。
以下是相关页面的源代码:https://gist.github.com/anonymous/27663069655db7fd7a19 - 实际网站仅适用于教育机构。
我的代码:
r = requests.post("http://example.com", data=payload, cookies=cookies)
f = open('myfile.txt', 'w')
f.write(r.text.encode('gb2312',errors="ignore"))
f.close()
页面标题:
{'content-length': '6164', 'x-powered-by': 'ASP.NET', 'date': 'Mon, 11 Mar 2013 05:11:24 GMT', 'cache-control': 'private', 'content-type': 'text/html', 'server': 'Microsoft-IIS/6.0'}
如果我尝试解码而不是编码，我会在 Python 中收到此错误:
f.write(r.text.decode('gb2312',errors="ignore"))UnicodeEncodeError: 'ascii' codec can't encode characters in position 2017-2018: ordinal not in range(128)
最佳答案
djc@enrai http $ python
Python 2.7.3 (default, Jun 18 2012, 09:39:59)
[GCC 4.5.3] on linux2
Type "help", "copyright", "credits" or "license" for more information.
>>> import urllib
>>> rsp = urllib.urlopen('https://gist.github.com/anonymous/27663069655db7fd7a19/raw/836a5c55d0f87a2fa5edcc9a14097c945452f520/chinese.html').read()
>>> import chardet
>>> chardet.detect(rsp)
{'confidence': 0.99, 'encoding': 'utf-8'}
>>> rsp.decode('utf-8')
u'\n<HTML><HEAD>(snip)</BODY></HTML>\n'
所以，我猜不要相信字符集 header ？
关于python - 使用Python和请求抓取网页时的字符集问题，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/15331685/