chardet庫的安裝與介紹

1.chardet庫的安裝與介紹

玩兒過爬蟲的朋友應(yīng)該知道，在爬取不同的網(wǎng)頁時(shí)，返回結(jié)果會(huì)出現(xiàn)亂碼的情況。比如，在爬取某個(gè)中文網(wǎng)頁的時(shí)候，有的頁面使用GBK/GB2312，有的使用UTF8，如果你需要去爬一些頁面，知道網(wǎng)頁編碼很重要的。

雖然HTML頁面有charset標(biāo)簽，但是有些時(shí)候是不對(duì)的，那么chardet就能幫我們大忙了。使用 chardet 可以很方便的實(shí)現(xiàn)字符串/文件的編碼檢測(cè)。

如果你安裝過Anaconda，那么可以直接使用chardet庫。如果你只是安裝了Python的話，就需要使用下面幾行代碼，完成chardet庫的安裝。

pip install chardet

接著，使用下面這行代碼，導(dǎo)入chardet庫。

import chardet

2.chardet庫的使用

這個(gè)小節(jié)，我們分3部分講解。

2.1 chardet.detect()函數(shù)

detect()函數(shù)接受一個(gè)參數(shù)，一個(gè)非unicode字符串。它返回一個(gè)字典，其中包含自動(dòng)檢測(cè)到的字符編碼和從0到1的可信度級(jí)別。

• encoding：表示字符編碼方式。
• confidence：表示可信度。
• language：語言。

光看這個(gè)解釋，大多數(shù)朋友可能看不懂，下面我們就用例子來講述這個(gè)函數(shù)。

2.2 使用該函數(shù)分別檢測(cè)gbk、utf-8和日語

檢測(cè)gbk編碼的中文：

str1 = '大家好，我是黃同學(xué)'.encode('gbk')
chardet.detect(str1)

chardet.detect(str1)["encoding"]

結(jié)果如下：

檢測(cè)的編碼是GB2312，注意到GBK是GB2312的父集，兩者是同一種編碼，檢測(cè)正確的概率是99%，language字段指出的語言是'Chinese'。

檢測(cè)utf-8編碼的中文：

str2 = '我有一個(gè)夢(mèng)想'.encode('utf-8')
chardet.detect(str2)

chardet.detect(str2)["encoding"]

結(jié)果如下：

檢測(cè)一段日文：

str3 = 'ありがとう'.encode('euc-jp')
chardet.detect(str3)

chardet.detect(str3)

結(jié)果如下：

2.3 如何在“爬蟲”中使用chardet庫呢？

我們以百度網(wǎng)頁為例子，進(jìn)行講述。

這個(gè)網(wǎng)頁的源代碼，使用的是什么編碼呢？我們看看源代碼：

從圖中可以看到，是utf-8字符編碼。

如果不使用chardet庫，獲取網(wǎng)頁源代碼的時(shí)候，怎么指定字符編碼呢？

import chardet
import requests

headers = {'User-Agent':'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/55.0.2883.87 Safari/537.36'}
response = requests.get('https://www.baidu.com',headers=headers)
response.encoding = "utf-8"
response.text

結(jié)果如下：

你會(huì)發(fā)現(xiàn)：正確指定編碼后，沒有亂碼。如果你將編碼改為gbk，再看看結(jié)果。此時(shí)已經(jīng)亂碼。

如果使用chardet庫，獲取網(wǎng)頁源代碼的時(shí)候，可以輕松指定字符編碼！

import chardet
import requests

headers = {'User-Agent':'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/55.0.2883.87 Safari/537.36'}
response = requests.get('https://www.baidu.com',headers=headers)

# 注意下面這行代碼，是怎么寫的？
response.encoding = chardet.detect(response.content)['encoding']
response.text

結(jié)果如下：

編碼不用我們自己查找，也不用猜，直接交給chardet庫去猜測(cè)，正確率還高。