Python requests包get响应内容中文乱码解决方案

Requests源码包解析原理

分析requests的源代码发现，text返回的是处理过的Unicode型的数据，而使用content返回的是bytes型的原始数据。也就是说，r.content相对于r.text来说节省了计算资源，content是把内容bytes返回. 而text是decode成Unicode. 如果headers没有charset字符集的化,text()会调用chardet来计算字符集，这又是消耗cpu的事情。

若reqponse header只指定了type，但是没有指定编码(一般现在页面编码都直接在html页面中)，查找原网页可以看到

 

再找一个标准点的网页查看，比如博客园的网页博客园

 

response herders的Content-Type指定了编码类型。

《HTTP权威指南》里第16章国际化里提到，如果HTTP响应中Content-Type字段没有指定charset，则默认页面是'ISO-8859-1'编码。这处理英文页面当然没有问题，但是中文页面，就会有乱码了！

 

python中的编码

字符串在Python内部的表示是unicode编码，因此，在做编码转换时，通常需要以unicode作为中间编码，即先将其他编码的字符串解码（decode）成unicode，再从unicode编码（encode）成另一种编码。

decode的作用是将其他编码的字符串转换成unicode编码，如str1.decode(‘gb2312’)，表示将gb2312编码的字符串str1转换成unicode编码，encode的作用是将unicode编码转换成其他编码的字符串，如str2.encode(‘gb2312’)，表示将unicode编码的字符串str2转换成gb2312编码。

因此，转码的时候一定要先搞明白，字符串str是什么编码，然后decode成unicode，然后再encode成其他编码。

requests中的编码

先上结论：之所以request的响应内容乱码，是因为模块中并没有正确识别出encoding的编码，而s.txt的结果是依靠encoding的编码“ISO-8859-1”解码出的结果，所以导致乱码。

所以正确的逻辑应该这样：

如：

s = requests.get('http://www.vuln.cn')

一般可以先判断出编码，比如编码为gb2312，

str = s.content

可以直接用正确的编码来解码。

str.decode('gb2312')

那么知道这个逻辑，接下来就是需要正确判断网页编码就行了，获取响应html中的charset参数：

<meta http-equiv="Content-Type" content="text/html; charset=UTF-8">

但实际上我们并不需要轮子。

因为requests模块中自带该属性，但默认并没有用上，我们看下源码：

def get_encodings_from_content(content):  """ Returns encodings from given content string. :param content: bytestring to extract encodings from. """ charset_re = re.compile(r'<meta.*?charset=["\']*(.+?)["\'>]', flags=re.I) pragma_re = re.compile(r'<meta.*?content=["\']*;?charset=(.+?)["\'>]', flags=re.I) xml_re = re.compile(r'^<\?xml.*?encoding=["\']*(.+?)["\'>]') return (charset_re.findall(content) + pragma_re.findall(content) + xml_re.findall(content))

还提供了使用chardet的编码检测，见models.py：

def apparent_encoding(self):  """The apparent encoding, provided by the lovely Charade library."""  return chardet.detect(self.content)['encoding']

所以我们可以直接执行encoding为正确编码，让response.text正确解码即可：

response=requests.get('www.test.com') response.encoding = response.apparent_encoding