在用 python2 抓取網頁的時候,經常會遇到抓下來的內容顯示出來是亂碼。
發生這種情況的最大可能性就是編碼問題: 運行環境的字符編碼和網頁的字符編碼不一致。
比如,在 windows 的控制檯(gbk)裏抓取了一個 utf-8 編碼的網站。或者,在 Mac / Linux 的終端(utf-8)裏抓取了一個 gbk 編碼的網站。因爲多數網站採用 utf-8 編碼,而不少人又是用 windows,所有這種情況相當常見。
如果你發現你抓下來的內容,看上去英文、數字、符號都是對的,但中間夾雜了一些亂碼,那基本可以斷定是此情況。
解決這個問題的辦法就是,把結果先按網頁的編碼方式 decode 解碼成 unicode,再輸出。如果不確定網頁的編碼,可參照以下代碼:
import urllib
req = urllib.urlopen("http://some.web.site")
info = req.info()
charset = info.getparam('charset')
content = req.read()
print content.decode(charset, 'ignore')
'ignore' 參數的作用是忽略掉無法解碼的字符。
不過這種方法不總是有效。還有種方式就是通過正則直接匹配網頁代碼中的編碼設置:
<meta http-equiv=Content-Type content="text/html;charset=utf-8">
除了編碼問題造成亂碼之外,還有種常被忽視的情況,就是 目標網頁啓用了 gzip 壓縮 。壓縮後的網頁傳輸數據少了,打開速度更快。在瀏覽器中打開時,瀏覽器會根據網頁的 header 信息自動做解壓。但直接用代碼抓取則不會。因此很可能就被搞糊塗了,爲什麼明明打開網頁地址是對的,但程序抓取就不行。連我自己也曾經被這個問題坑過。
這種情況的表現是抓取的內容幾乎全是亂碼,甚至無法顯示。
要判斷網頁是否啓用了壓縮並對其解壓,可參考以下代碼:
import urllib
import gzip
from StringIO import StringIO
req = urllib.urlopen("http://some.web.site")
info = req.info()
encoding = info.getheader('Content-Encoding')
content = req.read()
if encoding == 'gzip':
buf = StringIO(content)
gf = gzip.GzipFile(fileobj=buf)
content = gf.read()
print content
在我們教室的編程實例 查天氣系列(點擊查看) 中,這兩個問題困擾了相當多人。在此特別講解一下。
最後,還有個“利器”要介紹一下。如果一開始就用它,你甚至不知道還有上述兩個問題的存在。
這就是 requests 模塊。
同樣抓取網頁,只需要:
import requests
print requests.get("http://some.web.site").text
沒有編碼問題,沒有壓縮問題。
This is why I love Python.
至於如何安裝 requests 模塊,請參考之前的文章:
如何安裝 Python 的第三方模塊 - Crossin的編程教室 - 知乎專欄
pip install requests
其他文章及回答:
[](http://crossin-forum.b0.upaiy...