在Python爬虫中如何实现自动识别网页编码并彻底杜绝乱码?

小辰小哥_7979

小辰小哥_7979

2026-11-18

843人浏览

原创

requests默认编码不准,因优先读取HTTP头charset,缺失时用chardet猜,而chardet对无BOM的GBK/GB2312页面误判率高;且response.encoding设错后无法修正已生成的.text,故应弃用.text,改用content配合charset_normalizer或meta标签提取真实编码再decode。

在python爬虫中如何实现自动识别网页编码并彻底杜绝乱码?

为什么 requests.get() 默认编码经常不准?

requests 库在调用 response.text 时,会优先读取 HTTP 头里的 Content-Type(如 text/html; charset=utf-8),没声明或声明模糊(比如只有 text/html)时,就 fallback 到 chardet.detect() 猜测,而 chardet 对短文本、无 BOM 的 GBK/GB2312 页面误判率很高——尤其中文新闻站、政府老系统页面,常把 GBK 识别成 CP1252 或 ISO-8859-1,一解码就变乱码。

更麻烦的是:response.encoding 一旦被设过(哪怕设错),后续再改也不会影响已生成的 response.text,这是很多人反复调试不生效的根本原因。

手动指定 encoding 前必须先关掉自动推断

别在拿到 response 后直接改 response.encoding 再取 .text——这招只对未访问过 .text 的 response 有效。正确做法是:跳过 .text,直接用 response.content(原始 bytes)交给 chardet 或 charset_normalizer 判断,再显式 decode。

  • charset_normalizer 比 chardet 更准、更快,且对中文编码(GBK/GB2312/GB18030)支持更好,推荐替换
  • 安装:pip install charset-normalizer
  • 关键逻辑:先用 charset_normalizer.from_bytes(response.content) 得到可信度最高的编码,再 response.content.decode(编码)

示例:

Camoufox Open Source Anti-Detect Browser for Python Automation
Camoufox Open Source Anti-Detect Browser for Python Automation

Camoufox 是一个基于 Firefox 构建的开源反检测浏览器,为 Python 自动化工作流程提供强大的指纹注入和反机器人检测规避功能。它与 Playwright 集成,以提供能够绕过现代机器人检测系统的隐身浏览能力。

下载
import requests
from charset_normalizer import from_bytes
<p>resp = requests.get("<a href="https://www.php.cn/link/94b5015ed9312454d91af3a6b1f4b1dd">https://www.php.cn/link/94b5015ed9312454d91af3a6b1f4b1dd</a>")
if resp.content:</p><h1>必须用 content,不能用 text</h1><pre class="brush:php;toolbar:false;">detected = from_bytes(resp.content)
if detected:
    encoding = detected[0].confidence > 0.7 and detected[0].encoding
    text = resp.content.decode(encoding or "utf-8", errors="replace")

HTML meta charset 标签比 HTTP header 更可靠

很多网站 HTTP header 不带 charset,但 HTML 里有 閹

Python免费学习笔记(深入):立即使用
在学习笔记中,你将探索 Python 的核心概念和高级技巧!

相关文章

PHP速学视频免费教程(入门到精通)
PHP速学视频免费教程(入门到精通)

PHP怎么学习?PHP怎么入门?PHP在哪学?PHP怎么学才快?不用担心,这里为大家提供了PHP速学教程(入门到精通),有需要的小伙伴保存下载就能学习啦!

下载

相关标签:

python 爬虫

本站声明:本文内容由网友自发贡献,版权归原作者所有,本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容,请联系admin@php.cn

相关专题

更多
python打包成可执行文件
python打包成可执行文件

本专题为大家带来python打包成可执行文件相关的文章,大家可以免费的下载体验。

2023.07.20

1951

4

python能做什么
python能做什么

python能做的有:可用于开发基于控制台的应用程序、多媒体部分开发、用于开发基于Web的应用程序、使用python处理数据、系统编程等等。本专题为大家提供python相关的各种文章、以及下载和课程。

2023.07.25

5524

7

format在python中的用法
format在python中的用法

Python中的format是一种字符串格式化方法,用于将变量或值插入到字符串中的占位符位置。通过format方法,我们可以动态地构建字符串,使其包含不同值。php中文网给大家带来了相关的教程以及文章,欢迎大家前来阅读学习。

2023.07.31

1889

3

python教程
python教程

Python已成为一门网红语言,即使是在非编程开发者当中,也掀起了一股学习的热潮。本专题为大家带来python教程的相关文章,大家可以免费体验学习。

2023.08.03

33737

23

python环境变量的配置
python环境变量的配置

Python是一种流行的编程语言,被广泛用于软件开发、数据分析和科学计算等领域。在安装Python之后,我们需要配置环境变量,以便在任何位置都能够访问Python的可执行文件。php中文网给大家带来了相关的教程以及文章,欢迎大家前来学习阅读。

2023.08.04

3967

5

python eval
python eval

eval函数是Python中一个非常强大的函数,它可以将字符串作为Python代码进行执行,实现动态编程的效果。然而,由于其潜在的安全风险和性能问题,需要谨慎使用。php中文网给大家带来了相关的教程以及文章,欢迎大家前来学习阅读。

2023.08.04

3967

5

scratch和python区别
scratch和python区别

scratch和python的区别:1、scratch是一种专为初学者设计的图形化编程语言,python是一种文本编程语言;2、scratch使用的是基于积木的编程语法,python采用更加传统的文本编程语法等等。本专题为大家提供scratch和python相关的文章、下载、课程内容,供大家免费下载体验。

2023.08.11

1283

5

python合并两个列表
python合并两个列表

Python是一种强大的编程语言,具有许多方便的功能和工具。在Python中,有多种方法可以合并两个列表。php中文网给大家带来了相关的教程以及文章,欢迎大家前来学习阅读。

2023.08.10

636

4

python是前端还是后端
python是前端还是后端

Python属于前端也属于后端,其灵活性和丰富的生态系统使得开发人员能够在不同的领域中灵活运用。本专题为大家提供python相关的文章、下载、课程内容,供大家免费下载体验。

2023.08.11

3063

5

热门下载

更多
网站特效
/
网站源码
/
网站素材
/
前端模板

精品课程

更多
相关推荐
/
热门推荐
/
最新课程