一、首先我们要知道的一个知识点:《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!
import requests
# req = requests.get("http://www2.nkfust.edu.tw")
req = requests.get("http://www.baidu.com")
print(req.encoding) # ISO-8859-1
从上面的代码我们可以看得出来,访问百度最终打印的结果为:ISO-8859-1,换个网址会怎么样?结果是一样的!原因正如上面所说: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。那到底如何处理使用requests过程中乱码的问题呢?接下来主要介绍三种方式:
二、获取请求响应的编码方式:
1、get_encodings_from_content 该函数主要是将响应的内容进行正则从而提取出响应的编码方式,下面我们通过python源码进行说明:
def get_encodings_from_content(content):
"""Returns encodings from given content string.
:param content: bytestring to extract encodings from.
"""
warnings.warn((
'In requests 3.0, get_encodings_from_content will be removed. For '
'more information, please see the discussion on issue #2266. (This'
' warning should only appear once.)'),
DeprecationWarning)
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))
可以很清楚的看到,通过正则比配content内容里charset,content,encoding三个字符串后面的数值即编码方式,并已列表的形式返回所匹配到的值。
2、get_encoding_from_headers 该函数主要是通过匹配请求头相应的信息返回响应的编码方式,同样我们从python源码说起:
def get_encoding_from_headers(headers):
"""Returns encodings from given HTTP Header Dict.
:param headers: dictionary to extract encoding from.
:rtype: str
"""
content_type = headers.get('content-type')
if not content_type:
return None
content_type, params = _parse_content_type_header(content_type)
if 'charset' in params:
return params['charset'].strip("'\"")
if 'text' in content_type:
return 'ISO-8859-1'
def _parse_content_type_header(header):
"""Returns content type and parameters from given header
:param header: string
:return: tuple containing content type and dictionary of
parameters
"""
tokens = header.split(';')
content_type, params = tokens[0].strip(), tokens[1:]
params_dict = {}
items_to_strip = "\"' "
for param in params:
param = param.strip()
if param:
key, value = param, True
index_of_equals = param.find("=")
if index_of_equals != -1:
key = param[:index_of_equals].strip(items_to_strip)
value = param[index_of_equals + 1:].strip(items_to_strip)
params_dict[key.lower()] = value
return content_type, params_dict
源码内容非常简单,通过获取请求头里content-type来返回最终的编码方式,而content_type, params = _parse_content_type_header(content_type)的作用是将content-type里的内容提取出来,并以字典的形式(params_dict)返回,函数get_encoding_from_headers中判断如果存在键charset则返回对应的编码方式,如果不存在则默认为ISO-8859-1编码方式,这也在一定程度上说明了为什么第一节中req.encoding的打印结果是ISO-8859-1的原因了。
3、最简单的方式当然放到最后面了,直接上代码:
import requests
from lxml import etree
# req = requests.get("http://www2.nkfust.edu.tw")
req = requests.get("http://www.baidu.com")
print(req.apparent_encoding) #utf-8
apparent_encoding是以上三种方式中最为直接,准确获取响应的编码方式的方法,这里不要提再req.encoding最直接了,因为它本身并不准确。
三、获取响应编码方式通用代码:
import requests
req = requests.get("http://www.baidu.com")
if req.encoding == 'ISO-8859-1':
encodings = requests.utils.get_encodings_from_content(req.text)
if encodings:
encoding = encodings[0]
else:
encoding = req.apparent_encoding
else:
encoding = req.encoding
print(encoding)
代码的逻辑很简单,我们首先通过req.encoding判断改HTTP请求,响应是否符合国际标准,如果符合的话默认req.encoding=ISO-8859-1,进入if通过requests.utils.get_encodings_from_content函数获取编码方式,如果有输出结果,没有的话在使用最后一招req.apparent_encoding,直接获取编码方式。当然也有不按国际标准来的另类。
四、有关requests.utils包的拓展:
1.requests.utils.dict_from_cookiejar()将服务器返回的cookie转成字典的形式,代码验证:
import requests
req = requests.get("http://www.baidu.com")
print(req.cookies) #<RequestsCookieJar[<Cookie BDORZ=27315 for .baidu.com/>]>
print(requests.utils.dict_from_cookiejar(req.cookies)) #{'BDORZ': '27315'}
2、requests.utils.add_dict_to_cookiejar()手动添加cookie:
import requests
req = requests.get("http://www.baidu.com")
print(req.cookies) #<RequestsCookieJar[<Cookie BDORZ=27315 for .baidu.com/>]>
print(requests.utils.add_dict_to_cookiejar(req.cookies, {"name": "wangcai"})) #<RequestsCookieJar[<Cookie name=wangcai for />, <Cookie BDORZ=27315 for .baidu.com/>]>
print(requests.utils.dict_from_cookiejar(req.cookies)) #{'name': 'wangcai', 'BDORZ': '27315'}