Python 之 解码汉字乱码（如果gbk、utf8都试过不行，可以试试这个）

  • Z时代
  • 2024-01-10
  • 分类：综合

python

起因：

使用 requests.get(url) 获取页面内容，并打印出来后显示如下：

使用 type() 查看类型也是 <type 'unicode'>

print [content] 显示的也是像utf-8的样子：[u'<div class="gw-error-body">\n\t\t<h1>API\xe5\xbc\x80\xe6\x94\xbe\xe5\xb9\xb3\xe5\x8f\xb0</h1>\n\t\t<h2>\xe8\xae\xa4\xe8\xaf\x81\xe5\xa4\xb1\xe8\xb4\xa5\xef\xbc\x9a</h2>\n\t\t<p>\xe5\xba\x94\xe7\x94\xa8\xe5\xb0\x9a\xe6\x9c\xaa\xe6\xb3\xa8\xe5\x86\x8c\xef\xbc\x8c\xe6\x88\x96\xe6\x98\xaf\xe6\xb2\xa1\xe6\x9c\x89\xe8\xae\xbf\xe9\x97\xae\xe5\xaf\xb9\xe5\xba\x94\xe8\xb5\x84\xe6\xba\x90\xe7\x9a\x84\xe6\x9d\x83\xe9\x99\x90\xe3\x80\x82</p>\n\t\t<p>\n\t\t\t<button class="block-btn" onclick="javascript:history.back(-1);" >\xe8\xbf\x94\xe5\x9b\x9e</button>\n\t\t</p>\n\t</div>']，要注意开头的u，正常的utf-8是没有这个的。

也没有BOM头，utf-8，utf-16， utf8-sig，gbk试了个遍也没打印出中文，后来终于找到个解决办法。

解决办法I ：----是个办法，但不是正规办法

content.encode("latin1").decode("utf-8")

 

原因：

原文：https://www.v2ex.com/t/304608

取到的网页文字内容在编码上存在一定的 trick ，简单来说就是 unicode 形式的 gbk 编码内容，形如： u'\xd6\xb0\xce\xbb\xc3\xe8\xca\xf6'

而事实上，这个字符串实际所要表达的 gbk 编码内容为
'\xd6\xb0\xce\xbb\xc3\xe8\xca\xf6'，对应的汉字字符为“职位描述”

解这个问题可参见
http://stackoverflow.com/questions/14539807/convert-unicode-with-utf-8-string-as-content-to-str

可以看到，关键之处在于利用了以下这一特性：
Unicode codepoints U+0000 to U+00FF all map one-on-one with the latin-1 encoding

先将 unicode 字符串编码为 latin1 字符串，编码后保留了等价的字节流数据。
而此时在这个问题中，这一字节流数据又恰恰对应了 gbk 编码，因此对其进行解码即可还原最初的 unicode 字符。
不过值得注意的是，需要确定的是形如\xd6\xb0 究竟是 utf8 编码还是类似 gbk 类型的其他编码，
这一点对于最终正确还原 unicode 字符同样重要。

综上所述，对拿到的 content 执行以下操作即可：
content.encode("latin1").decode("gbk")

解决办法II ：----正规办法

1 resp = requests.get('http://www.******')
2 print resp.encoding # ISO-8859-1
3 print resp.apparent_encoding # GB2312
4 resp.encoding = resp.apparent_encoding
5 content = resp.text
6 print content

原因：

原文：http://xiaorui.cc/2016/02/19/%E4%BB%A3%E7%A0%81%E5%88%86%E6%9E%90python-requests%E5%BA%93%E4%B8%AD%E6%96%87%E7%BC%96%E7%A0%81%E9%97%AE%E9%A2%98/requests会从服务器返回的响应头的 Content-Type 去获取字符集编码，如果content-type有charset字段那么requests才能正确识别编码，否则就使用默认的 ISO-8859-1. 一般那些不规范的页面往往有这样的问题。
所以，通过 resp.apparent_encoding 来查看本页面使用的编码（上例子中为GB2312），在明确了网页的字符集编码后可以使用 resp.encoding = 'GB2312' 获取正确结果。

 

完整代码：

1 # coding=utf-8
2 import requests
3 
4 resp = requests.get('http://www.******')
5 resp.encoding = resp.apparent_encoding
6 print resp.text
7 
8 
9 # print resp.text.encode("latin1").decode("utf-8")  # 这里的utf-8改成gbk就会报错，但有时候又情况相反，所以觉得这不是个正规办法

运行：

以上是 Python 之 解码汉字乱码（如果gbk、utf8都试过不行，可以试试这个） 的全部内容， 来源链接： utcz.com/z/387321.html

回到顶部