在准备研究生毕业论文的过程,需要抓取网页数据,被网页编码问题困扰着啊。。。。。。
比如问题:python以gzip header请求html数据时,response内容乱码无法解码?在http请求中,如果在request header包含”Accept-Encoding”:”gzip, deflate”,对response内容用lxml.etree进行解析时,在pycharm IDE打印中文时会出现乱码的情况。。。。。
比如:网页url = "http://news.sina.com.cn/o/2015-11-25/doc-ifxmainy1109538.shtml"
response = requests.get(url, headers=headers)
print response.header #头信息
print response.header.get("Content-Encoding") #gizp
headers = {"User-Agent": "Mozilla/5.0 (Windows NT 6.3; WOW64; rv:42.0) Gecko/20100101 Firefox/42.0",'Accept-Encoding': 'deflate'}
需要设置请求头信息
'Accept-Encoding': 'deflate'
html = response.content.decode('utf-8')
page = etree.HTML(html)
这样打印的中文才不是乱码。。。。。。。。。。
普通浏览器访问网页,之所以添加:"Accept-Encoding" = "gzip,deflate"。那是因为,浏览器对于从服务器中返回的对应的gzip压缩的网页,会自动解压缩,所以,其request的时候,添加对应的头,表明自己接受压缩后的数据。而在爬虫抓取数据模拟请求时在此代码中,如果也添加此头信息,结果就是,返回的压缩后的数据,没有解码,而将压缩后的数据当做普通的html文本来处理,当前显示出来的内容,是乱码了。
想要获得正确网页内容,而非乱码的话,就有两种方式了:
1.不要设置Accept-Encoding的Header
2.设置Accept-Encoding的Header,同时设置对应的自动解压缩的模式
1. 问题背景
在使用urllib2 module抓取web数据时,如果希望使用如何request header,减少传输时数据量。返回的数据,是经过gzip压缩的。直接按照 content.decode(“utf8”), 解码会出现异常,并且也无法检测网页数据的实际编码类型。
2. 问题分析
因为http请求中,如果在request header包含”Accept-Encoding”:”gzip, deflate”, 并且web服务器端支持,返回的数据是经过压缩的,这个好处是减少了网络流量,由客户端根据header,在客户端层解压,再解码。urllib2 module,获取的http response数据是原始数据,没有经过解压,所以这是乱码的根本原因。
3. 解决方案
最快的方案,能直接得到可解码的数据,缺点是,传输流量会增加很多。
3.2 使用zlib module,解压缩,然后解码,得到可读的明文数据。
这也是本文使用的方案
4. 源码解析
代码如下, 这是一个典型的模拟form表单,post方式提交请求数据的代码,基于python 2.7
,
代码块
代码块语法遵循标准markdown代码
<code class="language-python hljs has-numbering" style="display: block; padding: 0px; color: inherit; box-sizing: border-box; font-family: 'Source Code Pro', monospace;font-size:undefined; white-space: pre; border-radius: 0px; word-wrap: normal; background: transparent;"><span class="hljs-comment" style="color: rgb(136, 0, 0); box-sizing: border-box;">#! /usr/bin/env python2.7</span>
<span class="hljs-keyword" style="color: rgb(0, 0, 136); box-sizing: border-box;">import</span> sys
<span class="hljs-keyword" style="color: rgb(0, 0, 136); box-sizing: border-box;">import</span> zlib
<span class="hljs-keyword" style="color: rgb(0, 0, 136); box-sizing: border-box;">import</span> chardet
<span class="hljs-keyword" style="color: rgb(0, 0, 136); box-sizing: border-box;">import</span> urllib
<span class="hljs-keyword" style="color: rgb(0, 0, 136); box-sizing: border-box;">import</span> urllib2
<span class="hljs-keyword" style="color: rgb(0, 0, 136); box-sizing: border-box;">import</span> cookielib
<span class="hljs-function" style="box-sizing: border-box;"><span class="hljs-keyword" style="color: rgb(0, 0, 136); box-sizing: border-box;">def</span> <span class="hljs-title" style="box-sizing: border-box;">main</span><span class="hljs-params" style="color: rgb(102, 0, 102); box-sizing: border-box;">()</span>:</span>
reload( sys )
sys.setdefaultencoding(<span class="hljs-string" style="color: rgb(0, 136, 0); box-sizing: border-box;">'utf-8'</span>)
url = <span class="hljs-string" style="color: rgb(0, 136, 0); box-sizing: border-box;">'http://xxx.yyy.com/test'</span>
values = {
<span class="hljs-string" style="color: rgb(0, 136, 0); box-sizing: border-box;">"form_field1"</span>:<span class="hljs-string" style="color: rgb(0, 136, 0); box-sizing: border-box;">"value1"</span>,
<span class="hljs-string" style="color: rgb(0, 136, 0); box-sizing: border-box;">"form_field2"</span>:<span class="hljs-string" style="color: rgb(0, 136, 0); box-sizing: border-box;">"TRUE"</span>,
}
post_data = urllib.urlencode(values)
cj=cookielib.CookieJar()
opener=urllib2.build_opener(urllib2.HTTPCookieProcessor(cj))
headers ={<span class="hljs-string" style="color: rgb(0, 136, 0); box-sizing: border-box;">"User-agent"</span>:<span class="hljs-string" style="color: rgb(0, 136, 0); box-sizing: border-box;">"Mozilla/5.0 (Macintosh; Intel Mac OS X 10.10; rv:36.0) Gecko/20100101 Firefox/36.0"</span>,
<span class="hljs-string" style="color: rgb(0, 136, 0); box-sizing: border-box;">"Referer"</span>:<span class="hljs-string" style="color: rgb(0, 136, 0); box-sizing: border-box;">"http://xxx.yyy.com/test0"</span>,
<span class="hljs-string" style="color: rgb(0, 136, 0); box-sizing: border-box;">"Accept"</span>:<span class="hljs-string" style="color: rgb(0, 136, 0); box-sizing: border-box;">"text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8"</span>,
<span class="hljs-string" style="color: rgb(0, 136, 0); box-sizing: border-box;">"Accept-Language"</span>:<span class="hljs-string" style="color: rgb(0, 136, 0); box-sizing: border-box;">"en-US,en;q=0.5"</span>,
<span class="hljs-string" style="color: rgb(0, 136, 0); box-sizing: border-box;">"Accept-Encoding"</span>:<span class="hljs-string" style="color: rgb(0, 136, 0); box-sizing: border-box;">"gzip, deflate"</span>,
<span class="hljs-string" style="color: rgb(0, 136, 0); box-sizing: border-box;">"Connection"</span>:<span class="hljs-string" style="color: rgb(0, 136, 0); box-sizing: border-box;">"keep-alive"</span>,
<span class="hljs-comment" style="color: rgb(136, 0, 0); box-sizing: border-box;"># "Cookie":"QSession=",</span>
<span class="hljs-string" style="color: rgb(0, 136, 0); box-sizing: border-box;">"Content-Type"</span>:<span class="hljs-string" style="color: rgb(0, 136, 0); box-sizing: border-box;">"application/x-www-form-urlencoded"</span>,
}
req = urllib2.Request(url,post_data,headers)
response = opener.open(req)
content = response.read()
gzipped = response.headers.get(<span class="hljs-string" style="color: rgb(0, 136, 0); box-sizing: border-box;">'Content-Encoding'</span>)
<span class="hljs-keyword" style="color: rgb(0, 0, 136); box-sizing: border-box;">if</span> gzipped:
html = zlib.decompress(content, <span class="hljs-number" style="color: rgb(0, 102, 102); box-sizing: border-box;">16</span>+zlib.MAX_WBITS)
<span class="hljs-keyword" style="color: rgb(0, 0, 136); box-sizing: border-box;">else</span>:
html = content
result = chardet.detect(html)
print(result)
<span class="hljs-keyword" style="color: rgb(0, 0, 136); box-sizing: border-box;">print</span> html.decode(<span class="hljs-string" style="color: rgb(0, 136, 0); box-sizing: border-box;">"utf8"</span>)
<span class="hljs-keyword" style="color: rgb(0, 0, 136); box-sizing: border-box;">if</span> __name__ == <span class="hljs-string" style="color: rgb(0, 136, 0); box-sizing: border-box;">'__main__'</span>:
main() </code>