用python抓取網頁,很容易遇到例如:'utf8' codec can't decode byte 0xc5 類似的編碼的問題。
這裏提供幾種排查思路:
可以先查看你的Linux系統是不是UTF-8。如果不是的話可以修改:
echo $LANG
export LANG=en_US.UTF8
首先python2默認所有編碼統一是unicode,因此你可以在代碼前面加入
#-*-coding:utf-8 -*-
網頁的編碼可能爲gbk,可以把gbk先decode,在統一encode爲utf-8。
response = response.decode('gbk','ignore').encode('utf-8')
也可以利用import chardet先做判斷
encoding_dict = chardet.detect(response) web_encoding = encoding_dict['encoding'] if web_encoding == 'utf-8' or web_encoding == 'UTF-8': html = response else : html = response.decode('gbk','ignore').encode('utf-8')
我遇到的問題就解決了,如果有其他情況,我會繼續補充,歡迎指正