python爬虫（三）

简单粗暴的方法：获得网页编码

获得服务器头部的header信息，获取网页返回的声明编码

有时有结果，有时候结果是none的原因

使用第三方专业模块 chardet自动化

chardet：一个自动化判断网页编码的python第三方库，下载chardet，安装使用，开始字符集检测，封装成函数，可以复用

把chardet下载到python的lib\site-package

import urllib
import chardet

url = "http://www.163.com"
html = urllib.urlopen(url)
info = html.info()
content = html.read()
print chardet.detect(content)

###output
{'confidence': 0.99, 'language': 'Chinese', 'encoding': 'GB2312'}
[Finished in 4.2s]

封装成函数 检查获取编码方式

def automatic_detect(url):
	content = urllib.urlopen(url).read()
	result = chardet.detect(content)
	encoding = result['encoding']
	return encoding


urls = ["http://www.163.com","http://www.jd.com","http://www.baidu.com"]

for url in urls:
	print url,automatic_detect(url)


http://www.163.com GB2312
http://www.jd.com utf-8
http://www.baidu.com utf-8
[Finished in 5.6s]