python 检查编码chardet 并非有效

最新推荐文章于 2024-06-09 18:30:55 发布

hhczy1003

最新推荐文章于 2024-06-09 18:30:55 发布

阅读量1.4k

点赞数

CC 4.0 BY-SA版权

本文链接：https://blog.youkuaiyun.com/hhczy1003/article/details/76155432

博客讲述了在使用Python请求网页并尝试记录响应内容时遇到的编码问题。尽管chardet检测到的编码为GB2312，但实际能够成功解码的编码是windows-1252。这揭示了在处理编码时可能出现的挑战，以及chardet检测的不准确性。最后，博主修改了logging模块的源码以适应windows-1252编码。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

样例网址如下：

http://www.angenechemical.com/productshow/AGN-PC-0JCLT7.html

用Python请求这个网站，并且让logger 记录请求到的body

    def parse(self, response):
        try:
            result = {}
            for tr in response.xpath("//table[@class='pInforstyle']/tr"):
                name = "$".join(tr.xpath("td[1]/span/text()").extract())
                value = "$".join(tr.xpath("td[2]/text()").extract())
                result[name] = value
            result.update({
                "img_url": "http://www.angenechemical.com%s" % "".join(response.xpath("//div[@class='pd_contact']/table/tr[1]/td[1]/img[1]/@src").extract()),
                "url": response.url,
                })
            raise Exception
            yield result
        except Exception,e:
            self.logger.exception(response.body)

logging 模块会报错，utf-8 can't decode...什么什么的，或者是gbk can't decode

注意在这之前，我们已经更改过logging模块的源码，变成了

try:
    stream.write(fs % msg.encode("UTF-8"))
except UnicodeError:
    stream.write(fs % msg.decode("gbk").encode("UTF-8"))

出现这个问题就是说，现在decode gbk也出问题了

了所以这个try 还得继续try下去

decode gb2312不行，又看到

encode("UTF-8").strip(

也不行，最后看到一个奇葩的 windows-1252 这个居然通过了，能写入了

说明最后的编码是windows-1252。。。。。

然而用chardet 检测，

import chardet
print "\n\ndetect charset : "+str(chardet.detect(msg))

给出的答案是

detect charset : {'confidence': 0.99, 'language': 'Chinese', 'encoding': 'GB2312'}

但是明显的 gb2312根本不能decode, 能decode的是 windows-1252

所以最终logging的源码是被改成了

try:
    stream.write(fs % msg.encode("UTF-8"))
except UnicodeError:
    try:
        stream.write(fs % msg.decode("gbk").encode("UTF-8"))
    except UnicodeDecodeError:
        stream.write(fs % msg.decode("windows-1252").encode("UTF-8"))

gbk 不行，那么就再来 windows-1252...

顺便说一句，在stackoverflower上看到一句非常得心的话，检测字符编码，基本上是不可能或者总是有错的