我要评论使用chardet库自动检测requests所获得html文档的编码
使用requests和beautifulsoup库获取某个页面带来的乱码问题
使用requests配合beautifulsoup库，可以轻松地从网页中提取数据。但是，当网页返回的编码格式与python默认的编码格式不一致时，就会导致乱码问题。
以如下代码为例，它会获取到一段乱码的html：
import requests
from bs4 import beautifulsoup
# 目标 url
url = 'https://finance.sina.com.cn/realstock/company/sh600050/nc.shtml'
# 发送 http get 请求
response = requests.get(url)
# 检查请求是否成功
if response.status_code == 200:
# 获取网页内容
html_content = response.text
# 使用 beautifulsoup 解析 html 内容
soup = beautifulsoup(html_content, 'html.parser')
# 要查找的 id
target_id = 'hqdetails'
# 查找具有特定 id 的标签
element = soup.find(id=target_id)
if element:
# 获取该标签下的 html 内容
element_html = str(element)
print(f"id 为 {target_id} 的 html 内容:\n{element_html}\n")
# 查找该标签下的所有 table 元素
tables = element.find_all('table')
if tables:
for i, table in enumerate(tables):
print(f"第 {i+1} 个 table 的 html 内容:\n{table}\n")
else:
print(f"id 为 {target_id} 的标签下没有 table 元素")
else:
print(f"未找到 id 为 {target_id} 的标签")
else:
print(f"请求失败，状态码: {response.status_code}")
我们可以通过通过手工指定代码的方式来解决这个问题，例如在response.status_code == 200后，通过response.encoding = 'utf-8'指定代码，又或通过soup = beautifulsoup(html_content, 'html.parser', from_encoding='utf-8') 来指定编码。
然而，当我们获取的html页面编码不确定的时候，有没有更好的办法让编码监测自动执行呢？这时候chardet编码监测库是一个很好的帮手。
使用 chardet 库自动检测编码
chardet 是一个用于自动检测字符编码的库，可以更准确地检测响应的编码。
安装chardet库
pip install chardet
代码应用示例
import requests
from bs4 import beautifulsoup
import chardet
# 目标 url
url = 'https://finance.sina.com.cn/realstock/company/sh600050/nc.shtml'
# 发送 http get 请求
response = requests.get(url)
# 检查请求是否成功
if response.status_code == 200:
# 自动检测字符编码
detected_encoding = chardet.detect(response.content)['encoding']
# 设置响应的编码
response.encoding = detected_encoding
# 获取网页内容
html_content = response.text
# 使用 beautifulsoup 解析 html 内容
soup = beautifulsoup(html_content, 'html.parser')
# 要查找的 id
target_id = 'hqdetails'
# 查找具有特定 id 的标签
element = soup.find(id=target_id)
if element:
# 获取该标签下的 html 内容
element_html = str(element)
print(f"id 为 {target_id} 的 html 内容:\n{element_html}\n")
# 查找该标签下的所有 table 元素
tables = element.find_all('table')
if tables:
for i, table in enumerate(tables):
print(f"第 {i+1} 个 table 的 html 内容:\n{table}\n")
else:
print(f"id 为 {target_id} 的标签下没有 table 元素")
else:
print(f"未找到 id 为 {target_id} 的标签")
else:
print(f"请求失败，状态码: {response.status_code}")
可见，通过使用chardet库，可以有效实现代码的自动检测。
以上就是python自动检测requests所获得html文档的编码的详细内容，更多关于python检测requests获得html文档编码的资料请关注代码网其它相关文章！
发表评论