http://againinput4.blog.163.com/blog/static/1727994912011111011432810/

【已解决】python中文字符乱码（GB2312，GBK，GB18030相关的问题）

【背景】

在玩wordpress的一个博客搬家工具BlogMover，其包含几个python脚本，其中有个是163博客搬家用的163-blog-mover.py，实现抓取网易博客的日志，然后导出xml。

但是其工具现在（2011-12-10）已经失效了。经过自己一点修改后，可以实现获得文章标题了。

用法还是原先的用法：

获得的此篇日志的标题：

【已解决】允许hi-baidu-mover_v2.py出错：UnboundLocalError: local variable ‘linkNode‘ referenced before assignment

中包含中文，在将该标题打印出来到log中后，却发现中文部分显示乱码：

????·??????????íhi-baidu-mover_v2.py???í??UnboundLocalError: local variable ‘linkNode‘ referenced before assignment

所以想要去除乱码，正确显示中文。

【解决过程】

1. 本身那段文字，是从网页中抓取的，关于该日志的中文编码，也已经从网页中的：

    <metahttp-equiv="content-type"content="text/html;charset=gbk"/>

看出来是GBK了。

而python中，原先默认编码发现是ascii，后来去通过：

reload(sys)
sys.setdefaultencoding(‘utf-8‘)

去将默认编码设置为utf-8，但是结果输出还是乱码。

2.后来网上找了一堆帖子， 包括最后这个：

http://www.tangc.com.cn/view_article_117.html

去尝试先对其解码，再编码：

string.decode(‘GBK‘).encode(utf-8‘)

结果还是乱码：

隆戮虏驴路脰陆芒戮枚隆驴脭脢脨铆hi-baidu-mover_v2.py鲁枚麓铆拢潞UnboundLocalError: local variable ‘linkNode‘ referenced before assignment

而又去试了试其他的，比如：

temp.string.strip().decode(‘GBK‘).encode(‘mcbs)

输出也是乱码，和不转换之前是一样的。

总之，还是无法及解决乱码问题。

3.后来，在学习Beautiful Soup的时候：

http://www.crummy.com/software/BeautifulSoup/documentation.zh.html#contents

  得知Beautiful Soup默认已经可以通过你所给的链接中的HTML源码中的meta的http-equiv头，去解析charset，已经可以知道网页的编码是上面所显示的GBK了，而且自动会去以该编码获得网页内容，然后自动输出为utf-8的unicode了。

所以python中去：

也因此，自己手动尝试，在open URL的时候，给Beautiful Soup传递GBK参数，即：

关于此问题，后来网上找到了解释：

http://groups.google.com/group/python-cn/browse_thread/thread/cb418ce811563524

   即，实际上该网页是GB18030的编码，所以按照这里：

上午解决了网页解析乱码的问题

http://blog.csdn.net/fanfan19881119/article/details/6789366

（原始出处为：http://leeon.me/a/beautifulsoup-chinese-page-resolve）

的方法，传递GB18030给fromEncoding，才可以：

以后用python的Beautiful Soup去解析中文网页的话：

1.如果本身网页的编码自己标称的，和本身其中文字符所用编码完全符合的话，即没有部分字符超出了其所标称的编码，比如标称为GBK，网页所有的内容，都的确是GBK编码，没有超出的其他字符（比如属于GB18030的编码），那么，是可以通过：

而得到真实的网页的编码的。

2.讨论中文乱码问题之前，先解释关于中文字符编码：

时间上的发展先后是，GB2312，GBK，GB18030，编码技术上都是兼容的。

从所包含的中文字符个数来说，算是：GB2312 < GBK < GB18030，也因此，才可能会出现上面所说的，标称GB2312的，部分字符用到了GBK里面的，或者是标称GBK的，部分字符用到了GB18030里面的，所以被人家编码工具解析错误，退回认为编码是最基本的windows-2152了。

而我这里的情况就是属于后者，网易博客网页中，自己声称是GBK，但是很多中文字符用的是GB18030。

总的说，现在实际情况是，由于编写网页代码的人所用的字符编码所不同，以及自己在网页中声称的编码和实际自己网页所用的编码不同，导致了中文网页出现乱码。所以，要先搞懂这些中文字符编码之间关系，以及历史上的逻辑前后关系，才可能解决这类问题。

关于中文字符编码，更多详细解释请参考这里：

中文字符编码标准+Unicode+Code Page

http://bbs.chinaunix.net/thread-3610023-1-1.html

所以：

（1）如果是网页标称为GB2312，但是部分字符用到了GBK的了，那么解决办法就是在调用BeautifulSoup，传递参数fromEncoding="GBK"，即：

（2）如果是网页标称为GBK，但是部分字符用到了GB18030的了，那么解决办法就是在调用BeautifulSoup，传递参数fromEncoding="GB18030"，即：

（3）实际上由于GB18030从字符数上都涵盖了GB2312和GBK，所以如果是上述两种任意情况，即只要是中文字符出现乱码，不管是标称GB2312中用到了GBK，还是标称GBK中用到了GB18030，那么都直接传递GB18030，也是可以的，即：