关于windows-1252页面乱码问题

 今天爬虫运行的时候,发现保存下来的HTML页面偶尔有乱码,访问页面发现页面的字符编码是gb2312,而我用Cpdetector编码识别后的结果是windows-1252,所以下载的时候按照windows-1252去下载便会出现乱码的情况。

百度了一下发现:国人们往往将gb2312与gbk编码等同,某些已经使用了gbk编码里的字符的,仍然声称内容为gb2312编码。而某些编码识别类对gb2312编码严格遵循gb2312字符集范围,当探测到超出这一范围的字符,便将编码回退到windows-1252。

 神奇,于是乎便在下载的时候加了个判断,如果识别字符编码为windows-1252则将其默认转换成gb2312。问题解决~!






你可能感兴趣的:(异常解决)