【轉】Python BeautifulSoup 中文亂碼解決方法

這篇文章主要介紹了Python BeautifulSoup中文亂碼問題的2種解決方法,需要的朋友可以參考下

解決方法一： 使用python的BeautifulSoup來抓取網頁然后輸出網頁標題,但是輸出的總是亂碼,找了好久找到解決辦法,下面分享給大家 首先是代碼 復制代碼 代碼如下:

在剛開始測試的時候發現,雖然輸出是亂碼的,但是寫在文件里面卻是正常的.然后在網上找了找解決辦法才發現 print一個對象的邏輯：內部是調用對象的__str__得到對應的字符串的，此處對應的是soup的__str__ 而針對於soup本身，其實已經是Unicode編碼，所以可以通過指定__str__輸出時的編碼為GBK，以使得此處正確顯示非亂碼的中文 而對於cmd：（中文的系統中）編碼為GBK,所以只要重新編碼為gb18030就可以正常輸出了 就是下面這行代碼 復制代碼 代碼如下: print (soup.title).encode('gb18030')

from bs4 import BeautifulSoup
import urllib2

url = 'http://www.jb51.net/'
page = urllib2.urlopen(url)

soup = BeautifulSoup(page,from_encoding="utf8")
print soup.original_encoding
print (soup.title).encode('gb18030')

file = open("title.txt","w")
file.write(str(soup.title))
file.close()

 

for link in soup.find_all('a'):
    print link['href']

解決方法二： BeautifulSoup在解析utf-8編碼的網頁時，如果不指定fromEncoding或者將fromEncoding指定為utf-8會出現中文亂碼的現象。 解決此問題的方法是將Beautifulsoup構造函數中的fromEncoding參數的值指定為：gb18030 復制代碼 代碼如下:

import urllib2
from BeautifulSoup import BeautifulSoup

page = urllib2.urlopen('http://www.jb51.net/');
soup = BeautifulSoup(page,fromEncoding="gb18030")
print soup.originalEncoding
print soup.prettify()