python获取网页数据中文乱码(python获取网页数据中文乱码怎么办)
python中requests使用中中文乱码的解决方案
中文乱码显示正常了！！
有时候，我们还会遇到通过这个操作后无法解决的情况，比如新浪首页的表现：
出现这种情况，据说是使用gzip将网页压缩了，必须先对其解码，使用r.content会自动解码：
其实吧，处理的方式有很多，大家注意一点，那就是看请求的html数据中最前面对的charset设置的是啥！！
python爬虫抓取到的数据用网页打开时是乱码，怎么解决
写爬虫是经常会遇到这样的问题，这种问题很显然是编码问题，解决的方法其实也不难。
你可以用下面的两个方法来解决你的编码问题：
第一种是，通过浏览器打开你写的html之后，找到浏览器中的文字编码修改，将编码改为Unicode编码，即可修复。
第二种方法是修改你的前端代码：在你的代码output_html方法中，规定网页的文字编码即可
python爬虫抓下来的网页，中间的中文乱码怎么解决
对于python的中文编码问题可以参考下面的帖子
同时，对于网页的中文乱码，建立使用requests模块代替urllib\urllib2
requests的content方法，对中文编码，支持比较好，基本不会出现乱码。
req=requests.get(url,cookies=mecookies)
print req.content
具体用法，参见下面两个帖子，较详细：
Python+requests 爬取网站遇到中文乱码怎么办
1. 遇到的中文乱码问题
1.1 简单的开始
使用requests来拔取网站内容十分方便，一个最简单的代码段只需要2-3行代码就行。
点击(此处)折叠或打开
url?=?'http//'
req?= requests.get(url)
print(req.text)
tree?= html.fromstring(req.text)
print(tree.xpath("//h1[@class='title']/text()"))
??? 上面的代码段起作用的也就3行（2,4,5）代码就获取到我们想要的内容。当然还要导入一系列的包，比如说requests、lxml、html等。当然由于http//是英文网站，不存在中文乱码问题。
1.2 麻烦的开始
??? 本来当时的想法是写一些基础模块，方便之后开发的时候调用，减少重复性工作。为了保证代码在任何情况下都不会出现bug，所以想着用同样的代码爬取中文网站获取里面的文字
??? 修改上面代码中的两行代码：
点击(此处)折叠或打开
url?=?''
print(tree.xpath("//span[@class='sec_blk_title']/text()"))
??? 运行程序可以发现，在语句print(req.text)输出的内容中，中文字体已经是乱码了。最后的结果输出是['??????è§\x86é?\x91', '??\x80?\x9c\x9f?\x9b\x9eé??']
2 乱码解决办法
2.1 试错
??? 由于之前爬取csdn上一个网页没有出现乱码问题，但是在sina体育网站上出现了乱码，所以当时以为不是编码问题，以为是文档压缩问题。因为csdn获取的页面header里没有“Content-Encodings”属性，但是sina体育获取的页面header有“Content-Encodings”属性--“Content-Encoding: gzip”。
总结：参考上述文献，结果还是没有解决问题，但是就考虑是不是方向错了。不过这部分工作也没有白做，很多网站返回数据都会有压缩问题，之后的工作中也能用上。
2.2 乱码终极解决办法
??? 后来查阅官方文档中response-content相关内容，说明了Requests会自动解码来自服务器的内容。Requests会基于HTTP头部对响应的编码作出有根据的推测，前提是响应文档的HTTP headers里面没有相关字符集说明。官方文档还说明了，如果你创建了自己的编码，并使用codecs?模块进行注册，你就可以轻松地使用这个解码器名称作为?r.encoding?的值， 然后由Requests来为你处理编码。（自己没有使用codecs模块，所以这里不贴代码了，不过按官方的说法使用codecs模块是最简单的一种方式。）
??? 另一份官方文档片段明确说了reponse编码处理方式：
??? ????Requests遵循RFC标准，编码使用ISO-8859-1 。
????????只有当HTTP头部不存在明确指定的字符集，并且?Content-Type?头部字段包含?text?值之时， Requests才不去猜测编码方式。
??? 现在直接上实验结果，在原始代码中添加以下代码片段：
点击(此处)折叠或打开
print(req.headers['content-type'])
print(req.encoding)
print(req.apparent_encoding)
print(requests.utils.get_encodings_from_content(page_content.text))
输出结果分别是：
????text/html
????ISO-8859-1#response内容的编码
??? utf-8#response headers里设置的编码
????['utf-8']#response返回的html header标签里设置的编码
??? 返回的内容是采用‘ISO-8859-1’，所以出现了乱码，而实际上我们应该采用‘utf-8’编码
????????
??? 总结：当response编码是‘ISO-8859-1’，我们应该首先查找response header设置的编码；如果此编码不存在，查看返回的Html的header设置的编码，代码如下：
点击(此处)折叠或打开
if req.encoding?==?'ISO-8859-1':
encodings?= requests.utils.get_encodings_from_content(req.text)
if encodings:
encoding?= encodings[0]
else:
encoding?= req.apparent_encoding
encode_content?= req.content.decode(encoding,?'replace').encode('utf-8',?'replace')