Python抓取中文网页出现乱码

转自http://www.oschina.net/code/snippet_1448389_33526

原来是有的时候网站将网页用gzip压缩了

 1 """
 2 迪艾姆公司python远程培训班 黄哥所写
 3 python远程视频培训班 周末班
 4 迪艾姆python培训周末班北京3月8、上海3月9日上课欢迎报名参加。
 5 http://www.010dm.com/xflml/3089.html
 6 回答贴吧上一个同学用python3访问sina首页中文的处理
 7
 8 如果只用普通的
 9 import urllib.request
10 html = urllib.request.urlopen("http://www.sina.com").read()
11 print(html.decode(‘gbk‘))
12
13 出现下面的错误
14 builtins.UnicodeDecodeError: ‘gbk‘ codec can‘t decode byte 0x8b in position 1: illegal multibyte sequence
15
16 怎么办？原来是有的网站将网页用gzip压缩了 。
17 请看下面的代码
18
19 建议大家用python2
20 import urllib2
21 from StringIO import StringIO
22 import gzip
23
24 request = urllib2.Request(‘http://www.sina.com‘)
25 request.add_header(‘Accept-encoding‘, ‘gzip‘)
26 response = urllib2.urlopen(request)
27 if response.info().get(‘Content-Encoding‘) == ‘gzip‘:
28     buf = StringIO( response.read())
29     f = gzip.GzipFile(fileobj=buf)
30     data = f.read()
31 print data.decode("GBK").encode(‘utf-8‘)
32 """
33
34 import io
35 import urllib.request as r
36 import gzip
37 req = r.Request("http://www.sina.com", headers={"User-Agent": "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_9_1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/31.0.1650.63 Safari/537.36", "Accept-Encoding": "gzip"})
38 bs = r.urlopen(req).read()
39 bi = io.BytesIO(bs)
40 gf = gzip.GzipFile(fileobj=bi, mode="rb")
41 print(gf.read().decode("gbk"))