网页中flash数据抓取(探测网页编码的形式和用法：探测编码形式)

　　网页中flash数据抓取(探测网页编码的形式和用法：探测编码形式)

　　爬取网页时，经常会发现网页内容可以正常显示，但是用python抓取后，打印或存入数据库时​​出现乱码。这是因为网页中的编码形式不是python默认的utf8编码。这时候如果能知道网页中的具体编码，经过相应的转换就可以得到正常的字符编码。

　　在检测网页编码时，我们可以使用chardet。具体用法如下：

　　安装

　　github的地址是：

　　https://github.com/chardet/chardet

　　安装方法：

　　pip install chardet

　　探针编码表

　　抓取数据后，直接使用chardet

　　import urllib

rawdata = urllib.urlopen('http://tech.163.com/special/00097UHL/tech_datalist.js').read()

import chardet

print chardet.detect(rawdata)

　　结果如下：

　　{'confidence': 0.99, 'language': 'Chinese', 'encoding': 'GB2312'}

　　转码

　　通过chardet检测，网页的字符编码为GB2312编码，通过unicode转为utf8编码：

　　str_body = unicode(rawdata, "gb2312").encode("utf8")

　　将字符编码转换为utf8可以避免很多不必要的麻烦。