JAVA高级面试进阶训练营视频教程

admin

 

http://againinput4.blog.163.com/blog/static/1727994912011111011432810/

 

【已解决】python中文字符乱码（GB2312，GBK，GB18030相关的问题）

 

【背景】

在玩wordpress的一个博客搬家工具BlogMover，其包含几个python脚本，其中有个是163博客搬家用的163-blog-mover.py，实现抓取网易博客的日志，然后导出xml。

但是其工具现在（2011-12-10）已经失效了。经过自己一点修改后，可以实现获得文章标题了。

用法还是原先的用法：

 

163-blog-mover.py -fhttp://againinput4.blog.163.com/blog/static/172799491201111893853485/

 

获得的此篇日志的标题：

【已解决】允许hi-baidu-mover_v2.py出错：UnboundLocalError: local variable 'linkNode' referenced before assignment

中包含中文，在将该标题打印出来到log中后，却发现中文部分显示乱码：

????·??????????íhi-baidu-mover_v2.py???í??UnboundLocalError: local variable 'linkNode' referenced before assignment

所以想要去除乱码，正确显示中文。

 

【解决过程】

1. 本身那段文字，是从网页中抓取的，关于该日志的中文编码，也已经从网页中的：

    <metahttp-equiv="content-type"content="text/html;charset=gbk"/>

看出来是GBK了。

而python中，原先默认编码发现是ascii，后来去通过：

reload(sys)
sys.setdefaultencoding('utf-8')

去将默认编码设置为utf-8，但是结果输出还是乱码。

 

2.后来网上找了一堆帖子， 包括最后这个：

http://www.tangc.com.cn/view_article_117.html

去尝试先对其解码，再编码：

string.decode('GBK').encode(utf-8')

结果还是乱码：

隆戮虏驴路脰陆芒戮枚隆驴脭脢脨铆hi-baidu-mover_v2.py鲁枚麓铆拢潞UnboundLocalError: local variable 'linkNode' referenced before assignment

而又去试了试其他的，比如：

temp.string.strip().decode('GBK').encode('mcbs)

输出也是乱码，和不转换之前是一样的。

总之，还是无法及解决乱码问题。

 

3.后来，在学习Beautiful Soup的时候：

http://www.crummy.com/software/BeautifulSoup/documentation.zh.html#contents

 

Beautiful Soup 会按顺序尝试不同的编码将你的文档转换为Unicode： 可以通过fromEncoding参数传递编码类型给soup的构造器 通过文档本身找到编码类型：例如XML的声明或者HTML文档http-equiv的META标签。 如果Beautiful Soup在文档中发现编码类型，它试着使用找到的类型转换文档。 但是，如果你明显的指定一个编码类型， 并且成功使用了编码：这时它会忽略任何它在文档中发现的编码类型。 通过嗅探文件开头的一下数据，判断编码。如果编码类型可以被检测到， 它将是这些中的一个：UTF-*编码，EBCDIC或者ASCII。 通过chardet库,嗅探编码，如果你安装了这个库。 UTF-8 Windows-1252

 

  得知Beautiful Soup默认已经可以通过你所给的链接中的HTML源码中的meta的http-equiv头，去解析charset，已经可以知道网页的编码是上面所显示的GBK了，而且自动会去以该编码获得网页内容，然后自动输出为utf-8的unicode了。

所以python中去：

 

print "###originalEncoding=",soup.originalEncoding,"declaredHTMLEncoding=",soup.declaredHTMLEncoding,"fromEncoding=",soup.fromEncoding

 就已经可以得到输出：

 

 

###originalEncoding= windows-1252 declaredHTMLEncoding= gbkfromEncoding= None

   了，但是也还是很奇怪，为何原先网页的编码，HTML中声明的是GBK，而Beautiful Soup解析出来的网页原始编码originalEncoding是windows-1252呢，两者不一样（我另外试了别的一个百度的网页，declaredHTMLEncoding是GBK，originalEncoding也是declaredHTMLEncoding）。

 

也因此，自己手动尝试，在open URL的时候，给Beautiful Soup传递GBK参数，即：

 

page = urllib2.build_opener().open(req).read() soup = BeautifulSoup(page, fromEncoding="GBK")

 结果也还是不行。

 

关于此问题，后来网上找到了解释：

Beautiful Soup gb2312乱码问题

http://groups.google.com/group/python-cn/browse_thread/thread/cb418ce811563524

 

请注意 gb2312 不是 “gb2312”，凡 gb2312 的请换成 gb18030.  微软将 gb2312 和 gbk 映射为 gb18030，方便了一些人，也迷惑了一些人。

 

   即，实际上该网页是GB18030的编码，所以按照这里：

上午解决了网页解析乱码的问题

http://blog.csdn.net/fanfan19881119/article/details/6789366

（原始出处为：http://leeon.me/a/beautifulsoup-chinese-page-resolve）

的方法，传递GB18030给fromEncoding，才可以：

 

page = urllib2.build_opener().open(req).read() soup = BeautifulSoup(page, fromEncoding="GB18030")

   而其中，也解释了，为何HTML标称的GBK的编码，但是却解析出来为windows-1252了：

 

 

最近需要写一个python的RSS抓取解析程序，使用了feed parser。但是对于百度新闻的RSS，其编码方式为gb2312，feed parser探测出来的编码却是windows-1252，结果中文内容都是一堆乱码。 问题在于，并不是feedparser不能识别出gb2312编码，而是国人们往往将gb2312与gbk编码等同，某些已经使用了gbk编码里的字符的，仍然声称内容为gb2312编码。feedparser对gb2312编码严格遵循gb2312字符集范围，当探测到超出这一范围的字符，便将编码回退到windows-1252。由于百度的RSS实际使用的应该是gbk编码，里面含有超出gb2312范围的字符，于是feedparser便擅自决定了将编码退回windows-1252，导致了中文乱码的现象。

   
【总结】

 

以后用python的Beautiful Soup去解析中文网页的话：

1.如果本身网页的编码自己标称的，和本身其中文字符所用编码完全符合的话，即没有部分字符超出了其所标称的编码，比如标称为GBK，网页所有的内容，都的确是GBK编码，没有超出的其他字符（比如属于GB18030的编码），那么，是可以通过：

 

page = urllib2.urlopen(url) soup = BeautifulSoup(page) #此处不需要传递参数，BeautifulSoup也完全可以自己去解析网页内容所使用的编码 print soup.originalEncoding

 

而得到真实的网页的编码的。

 

2.讨论中文乱码问题之前，先解释关于中文字符编码：

时间上的发展先后是，GB2312，GBK，GB18030，编码技术上都是兼容的。

从所包含的中文字符个数来说，算是：GB2312 < GBK < GB18030，也因此，才可能会出现上面所说的，标称GB2312的，部分字符用到了GBK里面的，或者是标称GBK的，部分字符用到了GB18030里面的，所以被人家编码工具解析错误，退回认为编码是最基本的windows-2152了。

而我这里的情况就是属于后者，网易博客网页中，自己声称是GBK，但是很多中文字符用的是GB18030。

总的说，现在实际情况是，由于编写网页代码的人所用的字符编码所不同，以及自己在网页中声称的编码和实际自己网页所用的编码不同，导致了中文网页出现乱码。所以，要先搞懂这些中文字符编码之间关系，以及历史上的逻辑前后关系，才可能解决这类问题。

关于中文字符编码，更多详细解释请参考这里：

中文字符编码标准+Unicode+Code Page

http://bbs.chinaunix.net/thread-3610023-1-1.html

 

所以：

（1）如果是网页标称为GB2312，但是部分字符用到了GBK的了，那么解决办法就是在调用BeautifulSoup，传递参数fromEncoding="GBK"，即：

 

page = urllib2.build_opener().open(req).read() soup = BeautifulSoup(page, fromEncoding="GBK")

 

（2）如果是网页标称为GBK，但是部分字符用到了GB18030的了，那么解决办法就是在调用BeautifulSoup，传递参数fromEncoding="GB18030"，即：

 

page = urllib2.build_opener().open(req).read() soup = BeautifulSoup(page, fromEncoding="GB18030")

 

（3）实际上由于GB18030从字符数上都涵盖了GB2312和GBK，所以如果是上述两种任意情况，即只要是中文字符出现乱码，不管是标称GB2312中用到了GBK，还是标称GBK中用到了GB18030，那么都直接传递GB18030，也是可以的，即：

 

soup = BeautifulSoup(page, fromEncoding="GB18030")

  即可。