怎么判定抓取页面的数据编码 utf8 gbk
发布于 3年前 作者 im007boy 3277 次浏览

除了response.headers[‘content-type’]里 和正则匹配meta还有没有更直接的办法？meta还有啥的变态。。。

7 回复

用python的chardet模块，自动检测编码，不用管网站头中是否有定义编码，我之前自己写了一个自动检测网页编码和文件编码的程序，在这里,安装python的chardet模块，直接运行就可以了。

用 Mozilla 提供的 UniversalChardet

UniversalChardet 和 Chardet 都是Mozilla提供的編碼自動猜測工具，Chardet 已經被 UniversalChardet 淘汰。python的chardet是基於Chardet的，推薦使用 libuchardet

http://code.google.com/p/uchardet/

就是页面给出charset，也不一定是真正的charset，例如百度的搜索结果页面。之前演示爬取百度搜索结果页，还出现过根据给出的charset无法转换编码的丑事。。。 Nodejs抓取非utf8字符编码的页面

@byvoid 看起来很强大，谁给编译成node模块把，哈哈哈。

php的mbstring也有类似的功能，可以探测编码。

node里估计根据 utf8 ， gbk的特征，检查buffer估计也是可以的，以前php里这么干过

感觉这样会慢的。

现在用的是 iconv-lite 可以，但需要自己探测编码然后再转换

needle集成了iconv-lite，自动帮你完成转码工作，非常棒：https://github.com/tomas/needle

回到顶部