Python中urlopen()处理gbk页面时的编码问题

Question

我的代码在这里：

# coding:utf-8

if __name__ == '__main__':
    from urllib2 import urlopen
    url = 'http://iccna.blog.sohu.com/164572951.html'
    data = urlopen(url).read()
    soup = BeautifulSoup(data,fromEncoding='gb18030')
    print WebExtractor(soup)

但是在调试的时候，数据是这样的：

��5h�,��4�H�5��VM��\

我该怎么做才能得到适合BeautifulSoup的数据呢？谢谢！

Answer 1

问题是服务器返回的数据是用Gzip压缩过的。你可以试试这个：

#-*- coding: utf-8 -*-
from __future__ import print_function

import gzip
import StringIO
import urllib2
from BeautifulSoup import BeautifulSoup

url = 'http://iccna.blog.sohu.com/164572951.html'
response = urllib2.urlopen(url)
data = response.read()
data = StringIO.StringIO(data)
gzipper = gzip.GzipFile(fileobj=data)
html = gzipper.read()
soup = BeautifulSoup(html, fromEncoding='gbk')
print(soup)

在我的系统上中文字符看起来还是不对，但这可能会给你一个正确的方向。