如何在 python 中下载具有正确字符集的任何（！）网页？

Question

问题

当使用 python 对网页进行屏幕抓取时，必须知道页面的字符编码。如果字符编码错误，那么输出将会混乱。

人们通常使用一些基本技术来检测编码。它们要么使用标头中的字符集，要么使用元标记中定义的字符集，或者使用编码检测器（不关心元标记或标题）。 仅使用其中一种技术，有时您将无法获得与在浏览器中相同的结果。

浏览器这样做是这样的：

• 元标记总是优先（或 xml 定义）
• 当元标记中没有定义字符集时，使用标头中定义的编码
• 如果根本没有定义编码，则需要进行编码检测。

（嗯......至少我相信大多数浏览器都是这样做的。文档确实很少。）

我正在寻找的是一个可以像浏览器那样决定页面字符集的库.我确信我不是第一个需要适当解决此问题的人。

解决方案（我还没有尝试过...）

根据Beautiful Soup 的文档。

Beautiful Soup 按照优先级顺序尝试以下编码，将您的文档转换为 Unicode：

• 您传入的编码 汤的 fromEncoding 参数 构造函数。
• 在文档本身中发现的编码：例如，在 XML 声明中或（对于 HTML 文档）http-equiv META 标记中。如果 Beautiful Soup 在文档中发现这种编码，它会从头开始重新解析文档，并尝试新的编码。唯一的例外是，如果您显式指定了编码，并且该编码实际上有效：那么它将忽略在文档中找到的任何编码。
• 通过查看文件的前几个字节来嗅探编码。如果检测到编码 在此阶段，它将成为其中之一 UTF-* 编码、EBCDIC 或 ASCII。
• 一个 chardet 嗅探到的编码 库，如果你安装了它。
• UTF-8
• Windows-1252

Answer 1

当您使用 urllib 或 urllib2 下载文件时，您可以查明是否传输了字符集标头：

fp = urllib2.urlopen(request)
charset = fp.headers.getparam('charset')

您可以使用 BeautifulSoup 来定位 HTML 中的元元素：

soup = BeatifulSoup.BeautifulSoup(data)
meta = soup.findAll('meta', {'http-equiv':lambda v:v.lower()=='content-type'})

如果两者都不可用，浏览器通常会回退到用户配置，并结合自动-检测。正如 rajax 所建议的，您可以使用 chardet 模块。如果您有可用的用户配置告诉您页面应该是中文（比如说），您也许可以做得更好。

Answer 2

使用 通用编码检测器：

>>> import chardet
>>> chardet.detect(urlread("http://google.cn/"))
{'encoding': 'GB2312', 'confidence': 0.99}

另一个选项是仅使用 wget：

  import os
  h = os.popen('wget -q -O foo1.txt http://foo.html')
  h.close()
  s = open('foo1.txt').read()

Answer 3

看来您需要混合提供的答案：

1. 使用 urllib 获取页面
2. 使用 beautiful soup 或其他方法查找 标记
3. 如果不存在元标记，请检查 urllib 返回的标头
4. 如果是仍然没有给你答案，请使用通用编码检测器。

老实说，我不相信你会找到比这更好的东西。

事实上，如果您进一步阅读在其他答案的评论中链接到的常见问题解答，这就是检测器库的作者所提倡的。

如果您相信常见问题解答，这就是浏览器所做的（按照您原始问题中的要求），因为检测器是 Firefox 嗅探代码的端口。

Answer 4

我会为此使用 html5lib 。

Answer 5

Scrapy 下载页面并检测其正确的编码，这与 requests.get(url).text 或 urlopen 不同。为此，它尝试遵循类似浏览器的规则 - 这是最好的规则，因为网站所有者有动力让他们的网站在浏览器中运行。 Scrapy 需要考虑 HTTP 标头、 标签、BOM 标记以及编码名称的差异。

基于内容的猜测（chardet、UnicodeDammit）本身并不是正确的解决方案，因为它可能会失败；仅当标题或 或 BOM 标记不可用或未提供任何信息时，才应将其用作最后的手段。

你不必使用Scrapy来获取其编码检测功能；它们（以及其他一些东西）在一个名为 w3lib 的单独库中发布： https://github.com/scrapy /w3lib。

要获取页面编码和 unicode 正文，请使用 w3lib.encoding.html_to_unicode< /a> 函数，具有基于内容的猜测后备：

import chardet
from w3lib.encoding import html_to_unicode

def _guess_encoding(data):
    return chardet.detect(data).get('encoding')

detected_encoding, html_content_unicode = html_to_unicode(
    content_type_header,
    html_content_bytes,
    default_encoding='utf8', 
    auto_detect_fun=_guess_encoding,
)

Answer 6

与其尝试获取页面然后弄清楚浏览器将使用的字符集，为什么不直接使用浏览器来获取页面并检查它使用的字符集。

from win32com.client import DispatchWithEvents
import threading


stopEvent=threading.Event()

class EventHandler(object):
    def OnDownloadBegin(self):
        pass

def waitUntilReady(ie):
    """
    copypasted from
    http://mail.python.org/pipermail/python-win32/2004-June/002040.html
    """
    if ie.ReadyState!=4:
        while 1:
            print "waiting"
            pythoncom.PumpWaitingMessages()
            stopEvent.wait(.2)
            if stopEvent.isSet() or ie.ReadyState==4:
                stopEvent.clear()
                break;

ie = DispatchWithEvents("InternetExplorer.Application", EventHandler)
ie.Visible = 0
ie.Navigate('http://kskky.info')
waitUntilReady(ie)
d = ie.Document
print d.CharSet

Answer 7

BeautifulSoup 使用 UnicodeDammit 进行此操作： 统一码，该死