1

尝试下载中文页面时（根据元标记似乎是 gb2312）。在我运行下面的代码并在 gEdit 中以 gb2312 格式打开文件后，我得到了乱码，例如 ê×××(ò) 应该是汉字。

这是相关页面的源代码：https ://gist.github.com/anonymous/27663069655db7fd7a19 - 实际站点仅适用于教育机构。

我的代码：

r = requests.post("http://example.com", data=payload, cookies=cookies)
f = open('myfile.txt', 'w')
f.write(r.text.encode('gb2312',errors="ignore"))
f.close()

页面的标题：

{'content-length': '6164', 'x-powered-by': 'ASP.NET', 'date': 'Mon, 11 Mar 2013 05:11:24 GMT', 'cache-control': '私有的，“内容类型”：“文本/html”，“服务器”：“Microsoft-IIS/6.0”}

如果我尝试解码而不是编码，我会在 Python 中收到此错误：

f.write(r.text.decode('gb2312',errors="ignore"))

UnicodeEncodeError：“ascii”编解码器无法对位置 2017-2018 中的字符进行编码：序数不在范围内（128）

4

1 回答 1

1 
djc@enrai http $ python
Python 2.7.3 (default, Jun 18 2012, 09:39:59)
[GCC 4.5.3] on linux2
Type "help", "copyright", "credits" or "license" for more information.
>>> import urllib
>>> rsp = urllib.urlopen('https://gist.github.com/anonymous/27663069655db7fd7a19/raw/836a5c55d0f87a2fa5edcc9a14097c945452f520/chinese.html').read()
>>> import chardet
>>> chardet.detect(rsp)
{'confidence': 0.99, 'encoding': 'utf-8'}
>>> rsp.decode('utf-8')
u'\n<HTML><HEAD>(snip)</BODY></HTML>\n'

所以，我猜不要相信字符集标题？

于 2013-03-11T10:09:34.573 回答